maxvit_rmlp_tiny_rw_256.sw_in1k的模型卡片

一种特定的timm MaxViT模型（带有Swin-V2启发的MLP Log-CPB（连续对数坐标相对位置偏差））图像分类模型。由Ross Wightman在ImageNet-1k上使用timm进行训练。

ImageNet-1k训练在TPU上完成，感谢 TRC 计划的支持。

maxxvit.py 中的模型变体

MaxxViT涵盖了许多相关的模型架构，共享一个共同的结构，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Transformer块进行组合。
• MaxViT - 所有阶段均有相同的块结构，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（窗口和网格）的自注意力块。
• CoAtNeXt - timm特定的架构，使用ConvNeXt块替换CoAtNet中的MBConv块。所有规范化层都是LayerNorm（没有BatchNorm）。
• MaxxViT - timm特定的架构，使用ConvNeXt块替换MaxViT中的MBConv块。所有规范化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2 - MaxxViT的变种，删除了窗口块注意力，仅保留ConvNeXt块和带更多宽度的网格注意力以进行补偿。

除了上面列出的主要变体，从一个模型到另一个模型还存在更微小的变化。包含字符串rw的任何模型名称都是timm特定的配置，其模型调整是为了支持PyTorch eager使用。这些模型是在训练初始的模型重现时创建的，因此会有一些变化。所有包含字符串tf的模型都是与原始论文作者基于Tensorflow创建的模型完全对应的模型，并将其权重转移到了PyTorch。这包括一些MaxViT模型。官方的CoAtNet模型从未发布过。

模型细节

• 模型类型：图像分类/特征主干
• 模型统计信息：
  • 参数数量（M）：29.1
  • GMACs：6.8
  • 激活数量（M）：46.9
  • 图像尺寸：256 x 256
• 论文：
  • MaxViT: 多维视觉Transformer: https://arxiv.org/abs/2204.01697
  • Swin Transformer V2: 扩大容量和分辨率: 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_tiny_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_tiny_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_tiny_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

根据Top-1指标

根据吞吐量（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}
}