vit_small_r26_s32_384.augreg_in21k_ft_in1k
timm
Clasificación de imagen
Un modelo híbrido de clasificación de imágenes ResNet - Vision Transformer (ViT). Entrenado en ImageNet-21k y afinado en ImageNet-1k (con augmentación y regularización adicionales) en JAX por los autores del artículo, portado a PyTorch por Ross Wightman.
Como usar
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('vit_small_r26_s32_384.augreg_in21k_ft_in1k', pretrained=True)
model = model.eval()
# obtener 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)) # agregar una dimensión para convertir la imagen en un batch de 1
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)
Funcionalidades
- Clasificación de imágenes
- Embeddings de imágenes
- Modelo híbrido ResNet - Vision Transformer
- Tamaño de imagen: 384 x 384
- Parámetros: 36.5M
- GMACs: 10.2
- Activaciones: 27.7M
Casos de uso
- Clasificación de imágenes
- Generación de embeddings de imágenes