maxvit_rmlp_base_rw_384.sw_in12k_ft_in1k 模型卡片

一种特定于 timm 的 MaxViT 模型（带有基于 Swin-V2 的 MLP Log-CPB（连续的对数坐标相对位置偏差）），用于图像分类。在 ImageNet-12k（ImageNet-22k 的一个子集，包含 11821 个类别）上通过 timm 进行预训练，并由 Ross Wightman 在 ImageNet-1k 上进行微调。

ImageNet-12k 的预训练和 ImageNet-1k 的微调在 8x GPU Lambda Labs 云实例上执行。

在 maxxvit.py 中的模型变体

MaxxViT 包含了几种相关的模型架构，它们共享相同的结构，包括：

• CoAtNet - 在早期阶段将 MBConv（深度可分离）卷积块与后期的自注意力转换块相结合。
• MaxViT - 所有阶段均采用统一的块，每个块包含一个 MBConv（深度可分离）卷积块，后面是两个具有不同分区方案（窗口后跟网格）的自注意力块。
• CoAtNeXt - timm 特定的架构，用 ConvNeXt 块替代 CoAtNet 中的 MBConv 块。所有归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT - timm 特定的架构，用 ConvNeXt 块替代 MaxViT 中的 MBConv 块。所有归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT-V2 - MaxxViT 的一个变体，去掉了窗口块自注意力，仅保留 ConvNeXt 块和具有更大宽度的网格注意力以进行补偿。

除了上述主要变种外，从模型到模型之间还有一些细微的变化。包含 rw 字符串的任何模型名称都是 timm 特定的配置，调整了建模以支持 PyTorch eager 使用。这些模型是在训练初始复现模型时创建的，因此存在一些变化。所有包含 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，其中的权重已转换为 PyTorch。这包括一些 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 / 特征主干
• 模型统计信息：
  • 参数（百万）：116.1
  • GMACs：71.0
  • 激活数（百万）：318.9
  • 图像大小：384 x 384
• 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_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(
    'maxvit_rmlp_base_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, 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_rmlp_base_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, 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}
}