coatnet_rmlp_1_rw2_224.sw_in12k_ft_in1k的模型卡片

这是一个特定于timm的CoAtNet模型（带有MLP Log-CPB，根据Swin-V2的连续对数坐标相对位置偏差进行调整的图像分类模型）。在ImageNet-12k（全ImageNet-22k的11821个类别子集）上由Ross Wightman在timm上进行了预训练，并在ImageNet-1k上进行了微调。

ImageNet-12k的训练是在TPU上进行的，感谢支持该计划的 TRC 项目。

微调是在8个GPU的 Lambda Labs 云实例上完成的。

maxxvit.py 中的模型变种

MaxxViT涵盖了一系列相关的模型架构，它们共享一个共同的结构，包括：

• CoAtNet - 在早期阶段将MBConv（深度可分离）卷积块与后期的自注意力变换块相结合。
• MaxViT - 在所有阶段中均使用统一的块，每个块包含一个MBConv（深度可分离）卷积块，后面跟随两个具有不同分区方案的自注意力块（窗口和网格）。
• CoAtNeXt - 这是一个timm特定的架构，它在CoAtNet中使用ConvNeXt块，而不是MBConv块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT - 这是一个timm特定的架构，它在MaxViT中使用ConvNeXt块，而不是MBConv块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2 - 这是一种MaxxViT的变体，它删除了窗口块注意力，只留下ConvNeXt块和具有更大宽度的网格注意力来进行补偿。

除了以上列出的主要变体外，模型之间还有一些细微的差异。所有带有字符串rw的模型名称是timm特定的配置，其中对模型进行了调整，以适应PyTorch eager使用。这些模型是在训练初始的模型重现时创建的，因此会有一些差异。所有带有字符串tf的模型与原始论文作者基于Tensorflow创建的模型完全匹配，并将权重转换为PyTorch。这涵盖了许多MaxViT模型。正式发布的CoAtNet模型从未发布过。

模型细节

• 模型类型：图像分类/特征骨干
• 模型统计数据：
  • 参数数目（M）：41.7
  • GMACs：8.1
  • 激活数目（M）：40.1
  • 图像尺寸：224 x 224
• 论文：
  • CoAtNet：结合卷积和注意力处理所有尺寸的数据： https://arxiv.org/abs/2201.03545
  • Swin Transformer V2：扩展容量和分辨率： https://arxiv.org/abs/2111.09883
• 数据集： ImageNet-1k
• 预训练数据集： ImageNet-12k

模型用途

图像分类

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('coatnet_rmlp_1_rw2_224.sw_in12k_ft_in1k', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
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))  # unsqueeze single image into batch of 1

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

特征图提取

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(
    'coatnet_rmlp_1_rw2_224.sw_in12k_ft_in1k',
    pretrained=True,
    features_only=True,
)
model = model.eval()

# get model specific transforms (normalization, resize)
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))  # unsqueeze single image into batch of 1

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 64, 112, 112])
    #  torch.Size([1, 96, 56, 56])
    #  torch.Size([1, 192, 28, 28])
    #  torch.Size([1, 384, 14, 14])
    #  torch.Size([1, 768, 7, 7])

    print(o.shape)

图像嵌入

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(
    'coatnet_rmlp_1_rw2_224.sw_in12k_ft_in1k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
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))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 768, 7, 7) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

模型比较

按Top-1指标

按吞吐量（每秒样本数）

引用

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

@article{tu2022maxvit,
  title={MaxViT: Multi-Axis Vision Transformer},
  author={Tu, Zhengzhong and Talebi, Hossein and Zhang, Han and Yang, Feng and Milanfar, Peyman and Bovik, Alan and Li, Yinxiao},
  journal={ECCV},
  year={2022},
}        

@article{dai2021coatnet,
  title={CoAtNet: Marrying Convolution and Attention for All Data Sizes},
  author={Dai, Zihang and Liu, Hanxiao and Le, Quoc V and Tan, Mingxing},
  journal={arXiv preprint arXiv:2106.04803},
  year={2021}
}