maxvit_rmlp_nano_rw_256.sw_in1k 模型卡片

这是一个基于 timm 开发的 MaxViT 模型，使用了一个 MLP Log-CPB（连续对数坐标相对位置偏差，灵感来源于 Swin-V2）进行图像分类。由 Ross Wightman 在 ImageNet-1k 上进行训练。

ImageNet-1k 训练是在 TPUs 上完成的，感谢 TRC 计划的支持。

maxxvit.py 中的模型变体

MaxxViT 包含了一系列相关的模型架构，它们具有共同的结构，包括：

• CoAtNet - 在早期阶段结合了 MBConv（深度可分离）卷积块和后续阶段的自注意力变换块。
• MaxViT - 在所有阶段均使用统一的块，每个块包含一个 MBConv（深度可分离）卷积块，后跟两个采用不同划分方案（窗口和网格）的自注意力块。
• CoAtNeXt - 这是一个 timm 特定的架构，它在 CoAtNet 中使用 ConvNeXt 块替换 MBConv 块。所有的归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT - 这是一个 timm 特定的架构，它在 MaxViT 中使用 ConvNeXt 块替换 MBConv 块。所有的归一化层都是 LayerNorm（没有 BatchNorm）。
• MaxxViT-V2 - 这是 MaxxViT 的一个变体，它移除了窗口块注意力，仅保留 ConvNeXt 块和网格注意力，同时增加更大的宽度进行补偿。

除了上述列出的主要变体外，不同模型之间还存在更细微的差异。所有包含字符串 rw 的模型名称都是 timm 特定的配置，进行了模拟调整，以支持 PyTorch 的即刻模式使用。这些模型是在训练初期对模型进行复现时创建的，因此存在一些变化。所有包含字符串 tf 的模型，都是与原始论文作者基于 Tensorflow 的模型完全匹配，并将权重转移到 PyTorch 中。这涵盖了一些 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
• 模型统计数据：
  • 参数数量（M）：15.5
  • GMACs：4.5
  • 激活数量（M）：31.9
  • 图像尺寸：256 x 256
• 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

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_nano_rw_256.sw_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_nano_rw_256.sw_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, 128, 128])
    #  torch.Size([1, 64, 64, 64])
    #  torch.Size([1, 128, 32, 32])
    #  torch.Size([1, 256, 16, 16])
    #  torch.Size([1, 512, 8, 8])

    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_nano_rw_256.sw_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, 512, 8, 8) 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 排名

按吞吐量（样本/秒）排名

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}
}