coatnet_rmlp_2_rw_224.sw_in12k 的模型卡片

coatnet_rmlp_2_rw_224.sw_in12k 是一个特定于 timm 的 CoAtNet (具有受 Swin-V2 启发的 MLP Log-CPB (连续对数坐标相对位置偏置) 的图像分类模型。由 Ross Wightman 在 ImageNet-12k（完整的 ImageNet-22k 的 11821 类子集）上使用 timm 进行训练。

maxxvit.py 中的模型变体

MaxxViT 包括一些相关的模型架构，它们共享一个共同的结构，包括：

• CoAtNet - 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 - 所有阶段上均匀的块，每个块包含一个 MBConv（深度可分离）卷积块，后面是两个具有不同分区方案（窗口和网格）的自注意力块。
• CoAtNeXt - 一个 timm 特定的架构，它在 CoAtNet 中使用 ConvNeXt 块代替 MBConv 块。所有规范化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT - 一个 timm 特定的架构，它在 MaxViT 中使用 ConvNeXt 块代替 MBConv 块。所有规范化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT-V2 - MaxxViT 的一个变种，去除窗口块注意力，只保留 ConvNeXt 块和网格注意力，通过增加宽度来补偿。

除了上述主要变体之外，从模型到模型还存在更细微的变化。带有字符串 "rw" 的任何模型名称都是 timm 特定的配置文件，具有调整的建模变化，以支持 PyTorch eager 使用。这是在训练模型的初期复现时创建的，因此存在变化。所有带有字符串 "tf" 的模型都是与原始论文作者的基于 Tensorflow 的模型完全匹配的模型，其权重已导入 PyTorch。这包括一些 MaxViT 模型。官方的 CoAtNet 模型从未发布。

模型详细信息

• 模型类型：图像分类 / 特征主干
• 模型统计数据：
  • 参数数量（M）：85.0
  • GMACs：15.2
  • 激活函数数量（M）：54.8
  • 图像尺寸：224 x 224
• 论文：
  • CoAtNet：合并卷积和注意力用于所有数据尺寸：
  • Swin Transformer V2：扩展容量和分辨率：
• 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_2_rw_224.sw_in12k', 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_2_rw_224.sw_in12k',
    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, 128, 112, 112])
    #  torch.Size([1, 128, 56, 56])
    #  torch.Size([1, 256, 28, 28])
    #  torch.Size([1, 512, 14, 14])
    #  torch.Size([1, 1024, 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_2_rw_224.sw_in12k',
    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, 1024, 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

按吞吐量（样本/秒）

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}
}