maxxvitv2_nano_rw_256.sw_in1k模型卡

MaxxViT-V2是一个特定于timm的图像分类模型，由Ross Wightman在ImageNet-1k上使用timm进行训练。

感谢 TRC 项目的支持，ImageNet-1k的训练是在TPU上进行的。

maxxvit.py 中的模型变体

MaxxViT包括一系列相关的模型架构，共享一个共同的结构，包括：

• CoAtNet-在早期阶段将MBConv（深度可分离）卷积块与后期阶段的自注意力变换块结合在一起。
• MaxViT-在所有阶段中均采用统一的块，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的自注意力块（窗口和网格）。
• CoAtNeXt-这是一个timm特定的架构，它在CoAtNet的MBConv块位置使用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，它在MaxViT的MBConv块位置使用ConvNeXt块。所有归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2-一种MaxxViT的变体，只保留ConvNeXt块和网格注意力，通过增加宽度来进行补偿。

除了上述列出的主要变体外，模型之间还有更细微的差异。带有字符串rw的所有模型都是timm特定的配置，对PyTorch eager使用进行了模型调整以更好地支持初次复现。在训练初始模型的过程中创建了这些模型，因此存在一些差异。所有包含字符串tf的模型都是与原始论文作者基于Tensorflow的模型完全匹配的模型，其权重转移到了PyTorch上。这涵盖了许多MaxViT模型。官方的CoAtNet模型从未发布。

模型详细信息

• 模型类型：图像分类/特征骨干
• 模型统计信息：
  • 参数（M）：23.7
  • GMACs：6.3
  • 激活值（M）：23.1
  • 图像大小：256 x 256
• 论文：
  • MaxViT：多轴视觉变换器： https://arxiv.org/abs/2204.01697
  • 一个用于2020年代的卷积神经网络： https://arxiv.org/abs/2201.03545
• 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('maxxvitv2_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(
    'maxxvitv2_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, 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(
    'maxxvitv2_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, 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

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}
}