timm/swin_s3_tiny_224.ms_in1k

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('swin_s3_tiny_224.ms_in1k', pretrained=True)
model = model.eval()

# Obtén las transformaciones específicas del modelo (normalización, redimensionado)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0)) # añadir una dimensión para procesar la imagen

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
'swin_s3_tiny_224.ms_in1k',
pretrained=True,
features_only=True,
)
model = model.eval()

# Obtén las transformaciones específicas del modelo (normalización, redimensionado)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0)) # añada una dimensión para procesar la imagen

for o in output:
print(o.shape)

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
'swin_s3_tiny_224.ms_in1k',
pretrained=True,
num_classes=0, # remover la capa clasificadora nn.Linear
)
model = model.eval()

# Obtén las transformaciones específicas del modelo (normalización, redimensionado)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0)) # salida en forma de tensor (batch_size, num_features)

# O equivalentemente (sin necesidad de establecer num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# salida no agrupada (por ejemplo, un tensor (batch_size, H, W, num_features) para Swin / Swinv2
# o (batch_size, num_features, H, W) para Swinv2_cr

output = model.forward_head(output, pre_logits=True)
# salida en forma de tensor (batch_size, num_features)