maxvit_large_tf_224.in21k 模型卡片

一种官方的 MaxViT 图像分类模型。由论文作者在 ImageNet-21k（21843 个 Google 特定的 ImageNet-22k 实例）上使用 TensorFlow 进行训练。

由 Ross Wightman 从官方的 TensorFlow 实现（ https://github.com/google-research/maxvit ）移植到 PyTorch。

maxxvit.py 模型变体

MaxxViT 包括一系列相关的模型架构，它们具有共同的结构，包括：

• CoAtNet - 在早期阶段使用 MBConv（深度可分离）卷积块，后期阶段使用自注意力变换块。
• MaxViT - 在所有阶段都有统一的块，每个块包含一个 MBConv（深度可分离）卷积块，后跟两个具有不同分区方案的自注意力块（窗口后跟网格）。
• CoAtNeXt - 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 - 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 的变种，去除窗口块注意力，只保留 ConvNeXt 块和带更多宽度的网格注意力以补偿。

除了上述主要变种，不同模型之间还有更细微的差异。任何包含字符串 rw 的模型名称都是 timm 特定的配置，具有有利于 PyTorch eager 使用的建模调整。这些模型是在训练的初期复现模型时创建的，因此存在变化。包含字符串 tf 的所有模型都是完全匹配原始论文作者基于 TensorFlow 的模型，但权重已转换为 PyTorch。这包括多个 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
• 模型统计数据：
  • 参数（百万）：233.1
  • GMACs：43.7
  • 激活数量（百万）：127.4
  • 图像大小：224 x 224
• 论文：
  • MaxViT：多轴视觉 Transformer： https://arxiv.org/abs/2204.01697
• 数据集：ImageNet-21k

模型用法

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.in21k', 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.in21k',
    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.in21k',
    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}
}