maxvit_small_tf_512.in1k 模型卡片

一种官方的 MaxViT 图像分类模型。由论文作者在 ImageNet-1k 数据集上使用 TensorFlow 训练得到。通过由 Ross Wightman 将官方 TensorFlow 实现（ https://github.com/google-research/maxvit ）移植到 PyTorch。

maxxvit.py 中的模型变体

MaxxViT 包含许多相关的模型架构，它们共享一个共同的结构，包括：

• CoAtNet - 在早期阶段结合 MBConv（深度可分离）卷积块和后期的自注意力变换块。
• MaxViT - 所有阶段均采用相同的块结构，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 - 一种使用 ConvNeXt 块（而非 CoAtNet 中的 MBConv 块）的 Timm 特定架构。所有标准化层均为 LayerNorm（无 BatchNorm）。
• MaxxViT - 一种使用 ConvNeXt 块（而非 MaxViT 中的 MBConv 块）的 Timm 特定架构。所有标准化层均为 LayerNorm（无 BatchNorm）。
• MaxxViT-V2 - MaxxViT 的一种变体，去除了窗口块自注意力，只保留了 ConvNeXt 块和网格注意力，并且增加了更多的宽度以进行补偿。

除了上述主要变体外，从一种模型到另一种模型还存在一些细微的变化。任何带有字符串 rw 的模型名称均为 Timm 特定配置，其中模型调整以支持 PyTorch 的 eager 使用。这些模型是在进行初始模型复现时创建的，因此存在一些差异。所有带有字符串 tf 的模型均目前与原论文作者基于 TensorFlow 的模型完全匹配，并将权重迁移到了 PyTorch。这涵盖了许多 MaxViT 模型。官方的 CoAtNet 模型从未发布。

模型细节

• 模型类型：图像分类 / 特征骨干
• 模型统计数据：
  • 参数数量（百万）：69.1
  • GMACs：67.3
  • 激活数量（百万）：383.8
  • 图像尺寸：512 x 512
• 论文：
  • MaxViT: 多轴视觉变换器： https://arxiv.org/abs/2204.01697
• 数据集：ImageNet-1k

模型用法

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_small_tf_512.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_small_tf_512.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, 256, 256])
    #  torch.Size([1, 96, 128, 128])
    #  torch.Size([1, 192, 64, 64])
    #  torch.Size([1, 384, 32, 32])
    #  torch.Size([1, 768, 16, 16])

    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_small_tf_512.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, 16, 16) 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 准确率

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}
}