Swin Transformer（大型模型）

Swin Transformer模型在ImageNet-21k（1400万张图像，21,841个类别）数据集上进行了预训练，图像分辨率为384x384。该模型由Liu等人在论文中提出，并于 this repository 首次发布。

声明：发布Swin Transformer的团队并未为该模型编写模型卡片，因此本模型卡片由Hugging Face团队编写。

模型描述

Swin Transformer是Vision Transformer的一种类型。它通过在深层中合并图像块（以灰色显示）来构建层次化特征图，并且由于仅在每个局部窗口（以红色显示）内计算自注意力，其计算复杂度与输入图像大小线性相关。因此，它可以作为图像分类和密集识别任务的通用骨干网络。相比之下，之前的视觉Transformer只产生低分辨率的特征图，并且由于在全局范围内计算自注意力，其计算复杂度与输入图像大小呈二次关系。

Source

预期用途和限制

您可以使用原始模型进行图像分类。请查看 model hub 以寻找您感兴趣的任务的微调版本。

如何使用

以下是如何使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例：

from transformers import AutoFeatureExtractor, SwinForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/swin-base-patch4-window12-384-in22k")
model = SwinForImageClassification.from_pretrained("microsoft/swin-base-patch4-window12-384-in22k")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

有关更多代码示例，可以参考 documentation 。

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2103-14030,
  author    = {Ze Liu and
               Yutong Lin and
               Yue Cao and
               Han Hu and
               Yixuan Wei and
               Zheng Zhang and
               Stephen Lin and
               Baining Guo},
  title     = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
  journal   = {CoRR},
  volume    = {abs/2103.14030},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.14030},
  eprinttype = {arXiv},
  eprint    = {2103.14030},
  timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-14030.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}