timm/xception41p.ra3_in1k

Clasificación de Imágenes

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('xception41p.ra3_in1k', pretrained=True) 
model = model.eval() 

# obtener transformaciones específicas del modelo (normalización, cambio de tamaño) 
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)) # inserta una sola imagen en un lote de 1 

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

Extracción de Mapa de Características

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('xception41p.ra3_in1k', pretrained=True, features_only=True) 
model = model.eval() 

# obtener transformaciones específicas del modelo (normalización, cambio de tamaño) 
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)) # inserta una sola imagen en un lote de 1 

for o in output: 
    print(o.shape) 

Embeddings de Imágenes

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('xception41p.ra3_in1k', pretrained=True, num_classes=0) # elimina el clasificador nn.Linear 
model = model.eval() 

# obtener transformaciones específicas del modelo (normalización, cambio de tamaño) 
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)) # la salida es un tensor con forma (batch_size, num_features) 

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

output = model.forward_features(transforms(img).unsqueeze(0)) 
# la salida no está agrupada, es un tensor con forma (1, 2048, 10, 10) 

output = model.forward_head(output, pre_logits=True) 
# la salida es un tensor con forma (1, num_features)