coatnet_rmlp_2_rw_384.sw_in12k_ft_in1k模型卡片

这是一个使用timm库训练的CoAtNet模型（带有受Swin-V2启发的MLP Log-CPB（连续对数坐标相对位置偏差））。该模型在Imagenet-12k数据集（完整Imagenet-22k数据集的11821类子集）上进行了预训练，并由Ross Wightman在Imagenet-1k数据集上进行了微调。

Imagenet-12k的训练是在TPU上进行的，感谢 TRC 计划的支持。

微调是在8x GPU Lambda Labs 云实例上进行的。

maxxvit.py 中的模型变体

MaxxViT涵盖了一系列相关的模型架构，它们具有相同的结构，包括：

• CoAtNet-在早期阶段将MBConv（深度可分离）卷积块与后期阶段的自注意力变换块相结合。
• MaxViT-在所有阶段均使用统一的块，每个块包含一个MBConv（深度可分离）卷积块，后面是两个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，在CoAtNet中使用ConvNeXt块替代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，在MaxViT中使用ConvNeXt块替代MBConv块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2-是MaxxViT的一个变体，它去除了窗口块自注意力，只剩下ConvNeXt块和网格自注意力，并增加了宽度以进行补偿。

除了上述主要变体外，模型之间还存在一些细微的变化。任何包含字符串rw的模型名称都是timm特定的配置，其建模调整有利于PyTorch的即席使用。这些模型是在训练初始模型的重复时创建的，因此存在一些变化。所有包含字符串tf的模型都与原始论文作者的基于Tensorflow的模型完全匹配，权重已转换为PyTorch格式。其中包括一些MaxViT模型。官方的CoAtNet模型从未发布过。

模型详情

• 模型类型：图像分类 / 特征主干
• 模型统计数据：
  • 参数（M）：73.9
  • GMACs：47.7
  • 激活数（M）：209.4
  • 图像尺寸：384 x 384
• 论文：
  • CoAtNet：将卷积和注意力应用于所有数据尺寸： https://arxiv.org/abs/2201.03545
  • Swin Transformer V2：扩大容量和分辨率： https://arxiv.org/abs/2111.09883
• 数据集：ImageNet-1k
• 预训练数据集：ImageNet-12k

模型使用

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_384.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_384.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, 192, 192])
    #  torch.Size([1, 128, 96, 96])
    #  torch.Size([1, 256, 48, 48])
    #  torch.Size([1, 512, 24, 24])
    #  torch.Size([1, 1024, 12, 12])

    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_384.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, 12, 12) shaped tensor

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

模型比较

根据Top-1

根据吞吐量（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}
}