maxxvitv2_rmlp_base_rw_224.sw_in12k_ft_in1k模型卡片

一个特定于timm的MaxxViT-V2模型（带有基于Swin-V2的MLP对数坐标相对位置偏置），用于图像分类。在ImageNet-12k（全ImageNet-22k的11821类子集）上由Ross Wightman进行预训练，并在ImageNet-1k上进行微调。

ImageNet-12k的预训练和ImageNet-1k的微调在8x GPU Lambda Labs 云实例上执行。

maxxvit.py 中的模型变体

MaxxViT涵盖了一些相关的模型架构，它们共享相同的结构，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 - 在所有阶段都采用统一的块结构，每个块包含一个MBConv（深度可分离）卷积块，后面是两个具有不同分区方案（窗口后跟网格）的自注意力块。
• CoAtNeXt - 一个timm特定的架构，使用ConvNeXt块代替CoAtNet中的MBConv块。所有标准化层都是LayerNorm（没有BatchNorm）。
• MaxxViT - 一个timm特定的架构，使用ConvNeXt块代替MaxViT中的MBConv块。所有标准化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2 - MaxxViT的变体，删除窗口块注意力，只保留ConvNeXt块和网格注意力，以进行更宽的补偿。

除了上述主要变体之外，模型之间还存在一些细微的差异。包含字符串"rw"的任何模型名称都是timm特定的配置，其中进行了调整以支持PyTorch eager用法。这些模型是在训练初步复现模型时创建的，因此存在差异。符合字符串"tf"的所有模型都与原始论文作者基于TensorFlow的模型完全匹配，并进行了权重转换为PyTorch。这包括一些MaxViT模型。官方CoAtNet模型从未发布。

模型详情

• 模型类型：图像分类/特征骨干
• 模型统计信息：
  • 参数数量（M）：116.1
  • GMACs：24.2
  • 激活数量（M）：62.8
  • 图像大小：224 x 224
• 论文：
  • MaxViT: 多轴视觉变换器： https://arxiv.org/abs/2204.01697
  • 一个适用于2020年代的卷积神经网络： https://arxiv.org/abs/2201.03545
  • Swin Transformer V2: 提高容量和分辨率： https://arxiv.org/abs/2111.09883
• 数据集：ImageNet-1k
• 预训练数据集：ImageNet-12k

使用模型

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_rmlp_base_rw_224.sw_in12k_ft_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_rmlp_base_rw_224.sw_in12k_ft_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, 128, 112, 112])
    #  torch.Size([1, 128, 56, 56])
    #  torch.Size([1, 256, 28, 28])
    #  torch.Size([1, 512, 14, 14])
    #  torch.Size([1, 1024, 7, 7])

    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_rmlp_base_rw_224.sw_in12k_ft_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, 1024, 7, 7) 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排序

按吞吐量（样本/秒）排序

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}
}