maxvit_large_tf_224.in1k 模型卡片

一个官方的 MaxViT 图像分类模型。由论文作者在 ImageNet-1k 数据集上使用 TensorFlow 训练而成。Ross Wightman 将其从官方的 TensorFlow 实现（ https://github.com/google-research/maxvit ）移植到了 PyTorch。

maxxvit.py 中的模型变体

MaxxViT 包含了一系列相关的模型架构，它们共享相同的结构，包括：

• CoAtNet - 在早期阶段使用 MBConv（深度可分离）卷积块，而在后期阶段使用自注意力 Transformer 块。
• MaxViT - 在所有阶段上使用统一的块，每个块包含一个 MBConv（深度可分离）卷积块，后面跟着两个采用不同分区方案的自注意力块（窗口块后跟网格块）。
• CoAtNeXt - 一种使用 ConvNeXt 块替代 CoAtNet 中的 MBConv 块的特定于 timm 的架构。所有的归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT - 一种使用 ConvNeXt 块替代 MaxViT 中的 MBConv 块的特定于 timm 的架构。所有的归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT-V2 - MaxxViT 的一个变体，删除了窗口块自注意力，只保留 ConvNeXt 块和带有更大宽度的网格注意力以进行补偿。

除了上面列出的主要变体之外，从一个模型到另一个模型还有更细微的变化。任何带有字符串 rw 的模型名称都是 timm 的特定配置，通过建模调整来支持 PyTorch eager 使用。这些是在训练初始模型重现时创建的，所以会有一些变化。所有带有字符串 tf 的模型都与原始论文作者的基于 Tensorflow 的模型完全匹配，并且将权重转换为 PyTorch。这包括多个 MaxViT 模型。官方的 CoAtNet 模型从未发布。

模型细节

• 模型类型：图像分类 / 特征主干
• 模型统计数据：
  • 参数（百万）：211.8
  • GMACs：43.7
  • 激活数（百万）：127.3
  • 图像尺寸：224 x 224
• 论文：
  • MaxViT: Multi-Axis Vision Transformer: https://arxiv.org/abs/2204.01697
• 数据集：ImageNet-1k

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('maxvit_large_tf_224.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_large_tf_224.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(
    'maxvit_large_tf_224.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（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}
}