maxvit_rmlp_pico_rw_256.sw_in1k模型卡片

MaxViT是一种特殊的timm模型，采用MLP Log-CPB（由Swin-V2启发的连续对数坐标相对位置偏差）图像分类模型。在ImageNet-1k上由Ross Wightman在timm上进行训练。

ImageNet-1k的训练使用了TPU，得益于 TRC 计划的支持。

maxxvit.py 的模型变体

MaxxViT涵盖了许多相关的模型架构，它们共享一个共同的结构，包括：

• CoAtNet-将MBConv（深度可分离）卷积块与后期的自注意力变换块结合在一起。
• 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，后跟两个具有不同分区方案（窗口跟随网格）的自注意块。
• CoAtNeXt-这是一个timm特定的架构，在CoAtNet的MBConv块中使用ConvNeXt块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-这是一个timm特定的架构，在MaxViT的MBConv块中使用ConvNeXt块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2-是一个MaxxViT变体，它消除了窗口块自注意力，只剩下ConvNeXt块和带有更大宽度的网格自注意力以进行补偿。

除了上述列出的主要变体外，从一个模型到另一个模型可能还有一些更细微的变化。任何带有字符串rw的模型名称都是timm特定的配置，其中对PyTorch的eager使用进行了建模调整。这些模型是在训练初始复现模型时创建的，因此存在一些差异。所有带有字符串tf的模型都是与原始论文作者使用的基于Tensorflow的模型完全匹配，并将权重转换为PyTorch。这涵盖了许多MaxViT模型。官方发布的CoAtNet模型从未公开。

模型细节

• 模型类型：图像分类/特征骨干
• 模型统计数据：
  • 参数（M）：7.5
  • GMAC：1.8
  • 激活值（M）：24.9
  • 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：规模扩展和分辨率： 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_pico_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_pico_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, 32, 128, 128])
    #  torch.Size([1, 32, 64, 64])
    #  torch.Size([1, 64, 32, 32])
    #  torch.Size([1, 128, 16, 16])
    #  torch.Size([1, 256, 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_pico_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, 256, 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指标

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}
}