maxvit_base_tf_384.in21k_ft_in1k模型卡片

官方的MaxViT图像分类模型。在ImageNet-21k（21843个Google特定的ImageNet-22k实例）上使用TensorFlow进行预训练，并由论文作者在ImageNet-1k上进行微调。

从官方TensorFlow实现（ https://github.com/google-research/maxvit ）转换为PyTorch由Ross Wightman完成。

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结合在一起。
• 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，后面跟随两个使用不同分区方案（窗口后跟网格）的自注意力块。
• CoAtNeXt - 一种使用ConvNeXt块替换CoAtNet中的MBConv块的timm特定架构。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT - 一种使用ConvNeXt块替换MaxViT中的MBConv块的timm特定架构。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2 - MaxxViT的一个变种，删除了窗口块自注意力，只保留ConvNeXt块和网格注意力，宽度更大以进行补偿。

除了上述主要变体之外，模型之间还有一些细微的差异。带有字符串rw的任何模型名称都是timm特定的配置，其中包含有利于PyTorch的eager使用的建模调整。这些变体是在训练初始复现模型时创建的，因此存在一些差异。所有带有tf字符串的模型都与原始论文作者基于TensorFlow的模型完全匹配，并将权重转换为PyTorch。这包括了许多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/特征骨干
• 模型统计信息：
  • 参数量（M）：119.7
  • GMACs：73.8
  • 激活数（M）：332.9
  • 图像大小：384 x 384
• 论文：
  • MaxViT：Multi-Axis Vision Transformer： https://arxiv.org/abs/2204.01697
• 数据集：ImageNet-1k
• 预训练数据集：ImageNet-21k

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('maxvit_base_tf_384.in21k_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(
    'maxvit_base_tf_384.in21k_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, 192, 192])
    #  torch.Size([1, 96, 96, 96])
    #  torch.Size([1, 192, 48, 48])
    #  torch.Size([1, 384, 24, 24])
    #  torch.Size([1, 768, 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(
    'maxvit_base_tf_384.in21k_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, 12, 12) 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}
}