maxvit_rmlp_base_rw_224.sw_in12k_ft_in1k的模型卡片

一种特定于timm的MaxViT模型（其中包含一个MLP Log-CPB（连续对数坐标相对位置偏差，受Swin-V2启发）图像分类模型）。在ImageNet-12k（完整的ImageNet-22k的11821类子集）上进行了预训练，并由Ross Wightman在ImageNet-1k上进行了微调。

通过8x GPU Lambda Labs 个云实例进行ImageNet-12k预训练和ImageNet-1k微调。

maxxvit.py 中的模型变体

MaxxViT涵盖了许多相关的模型架构，它们共享一种常见的结构，包括：

• CoAtNet-在早期阶段将MBConv（深度可分离）卷积块与后续阶段的自注意力变换块相结合。
• MaxViT-在所有阶段均采用统一的块结构，每个阶段包含一个MBConv（深度可分离）卷积块，后面跟随两个具有不同分区方案的自注意力块（窗口和网格）。
• CoAtNeXt-一种特定于timm的架构，它在CoAtNet中使用ConvNeXt块而不是MBConv块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-一种特定于timm的架构，它在MaxViT中使用ConvNeXt块而不是MBConv块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2-一种MaxxViT的变种，它删除了窗口块注意力，只保留了ConvNeXt块和具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，从模型到模型还存在更细微的变化。任何带有字符串rw的模型名称都是timm特定的配置文件，其中进行了用于PyTorch eager使用的建模调整。这些模型是在训练初始重现模型时创建的，因此存在变化。所有带有字符串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，并且采用了转换到PyTorch的权重。这包括许多MaxViT模型。官方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（M）：116.1
  • GMACs：23.1
  • 激活（M）：92.6
  • 图像尺寸：224 x 224
• 论文：
  • MaxViT：多轴视觉变换器： https://arxiv.org/abs/2204.01697
  • Swin Transformer V2：扩展容量和分辨率： 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_rmlp_base_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(
    'maxvit_rmlp_base_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, 64, 112, 112])
    #  torch.Size([1, 96, 56, 56])
    #  torch.Size([1, 192, 28, 28])
    #  torch.Size([1, 384, 14, 14])
    #  torch.Size([1, 768, 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_rmlp_base_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, 768, 7, 7) shaped tensor

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

模型对比

按Top-1比较

按吞吐量（样本/秒）比较

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}
}