coatnet_rmlp_2_rw_224.sw_in12k_ft_in1k 的模型卡片

一个特定于 timm 的 CoAtNet 模型（具有受 Swin-V2 启发的 MLP Log-CPB（连续对数坐标相对位置偏差））图像分类模型。在 timm 上经过 ImageNet-12k（全面的ImageNet-22k的一个子集，具有 11821 个类别）预训练，并由 Ross Wightman 在 ImageNet-1k 上进行微调。

ImageNet-12k 训练在 TPUs 上进行，感谢 TRC 程序的支持。

微调在 8x GPU Lambda Labs 云实例上进行。

maxxvit.py 的模型变体

MaxxViT 包括一些相关的模型结构，它们共享一个共同的结构，包括：

• CoAtNet - 在早期阶段结合 MBConv（深度可分离）卷积块和后期阶段的自注意力变换块。
• MaxViT - 在所有阶段上均匀使用块，每个块包含一个 MBConv（深度可分离）卷积块，后面跟随两个不同分区方案（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。所有归一化层都是 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。所有归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT-V2 - 一种 MaxxViT 变体，它去除了窗口块注意力，只保留 ConvNeXt 块和网格注意力，并具有更大的宽度以进行补偿。

除了上面列出的主要变体之外，模型之间还有更细微的变化。字符串 rw 作为模型名称的任何部分，是 timm 特定的配置，其中进行了模型调整，以支持 PyTorch 的 eager 模式使用。在训练初始模型复现时创建了这些调整变体，因此有所不同。任何带有字符串 tf 的模型都是与原始论文作者基于 Tensorflow 的模型完全匹配的模型，并将其权重转移到 PyTorch 中。这包括一些 MaxViT 模型。官方的 CoAtNet 模型从未发布过。

模型详细信息

• 模型类型：图像分类 / 特征骨干网络
• 模型统计数据：
  • 参数（M）：73.9
  • GMACs：15.2
  • 激活数（M）：54.8
  • 图像尺寸：224 x 224
• 论文：
  • CoAtNet: Marrying Convolution and Attention for All Data Sizes: https://arxiv.org/abs/2201.03545
  • Swin Transformer V2: Scaling Up Capacity and Resolution: 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_2_rw_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_2_rw_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, 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_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, 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}
}