模型卡：maxxvit_rmlp_small_rw_256.sw_in1k

这是一个特定于timm的MaxxViT模型（带有MLP Log-CPB，即连续对数坐标相对位置偏差，受Swin-V2启发的图像分类模型），由Ross Wightman在ImageNet-1k上进行训练。

感谢 TRC 计划的支持，ImageNet-1k训练是在TPU上完成的。

maxxvit.py 中的模型变体

MaxxViT涵盖了一些相关的模型架构，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 - 所有阶段都有相同的块，每个块包含一个MBConv（深度可分离）卷积块，后面跟随两个具有不同分区方案（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块代替MBConv块。所有的归一化层都是LayerNorm（无批量归一化）。
• MaxxViT - 这是一个timm特定的架构，它在MaxViT中使用ConvNeXt块代替MBConv块。所有的归一化层都是LayerNorm（无批量归一化）。
• MaxxViT-V2 - 这是一个MaxxViT的变体，它去除了窗口块注意力，只保留了ConvNeXt块和网格注意力，并具有更大的宽度来补偿。

除了上述的主要变体，模型之间还存在一些细微的变化。带有"rw"字符串的模型名称是timm特定的配置，其中进行了建模调整，以支持PyTorch的eager使用。这些模型是在训练初步复现模型时创建的，因此存在变化。所有带有"tf"字符串的模型都是与原始论文作者基于Tensorflow创建的模型的权重完全匹配的模型。这包括多个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
• 模型统计数据：
  • 参数量（百万）：66.0
  • GMACs：14.7
  • 激活数（百万）：58.4
  • 图片大小：256 x 256
• 相关论文：
  • MaxViT: 多轴视觉变换器： https://arxiv.org/abs/2204.01697
  • 用于2020年的卷积网络： https://arxiv.org/abs/2201.03545
  • Swin Transformer V2: 扩容和提高分辨率： https://arxiv.org/abs/2111.09883
• 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('maxxvit_rmlp_small_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(
    'maxxvit_rmlp_small_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, 96, 128, 128])
    #  torch.Size([1, 96, 64, 64])
    #  torch.Size([1, 192, 32, 32])
    #  torch.Size([1, 384, 16, 16])
    #  torch.Size([1, 768, 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(
    'maxxvit_rmlp_small_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, 768, 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比较

按吞吐量（样本/秒）比较

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}
}