maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k 的模型卡

这是一个基于 timm 的特定MaxxViT-V2模型（使用MLP Log-CPB（受Swin-V2启发的连续对数坐标相对位置偏差）进行图像分类）。在ImageNet-12k（完整ImageNet-22k的11821类子集）上进行预训练，并由Ross Wightman在ImageNet-1k上进行微调。

在8x GPU Lambda Labs 云实例上进行了ImageNet-12k预训练和ImageNet-1k微调。

maxxvit.py 中的模型变体

MaxxViT包括一系列相关的模型架构，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）卷积块和后期阶段的自注意力变换块。
• MaxViT-在所有阶段均统一使用的块，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（窗口和网格）的自注意力块。
• CoAtNeXt-一个特定于timm的架构，其在CoAtNet中使用ConvNeXt块代替MBConv块。所有的归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-一个特定于timm的架构，其在MaxViT中使用ConvNeXt块代替MBConv块。所有的归一化层都是LayerNorm（没有BatchNorm）。
• MaxxViT-V2-对MaxxViT的变种，去除了窗口块的注意力，只留下ConvNeXt块和带有更大宽度的网格注意力以进行补偿。

除了上述主要变体之外，模型之间还存在更细微的变化。任何模型名称中包含字符串rw的都是timm特定配置，其中进行了建模调整，以适应PyTorch的即时使用需求。这些模型是在训练初始的模型复现过程中创建的，因此存在一些不同。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，其权重已转换为PyTorch格式。这包括多个MaxViT模型。官方CoAtNet模型从未发布过。

模型细节

• 模型类型：图像分类 / 特征骨干
• 模型统计数据：
  • 参数（百万）：116.1
  • GMACs：73.0
  • 激活数量（百万）：213.7
  • 图像尺寸：384 x 384
• 论文：
  • MaxViT：多轴视觉变换器： https://arxiv.org/abs/2204.01697
  • 2020年的卷积神经网络： https://arxiv.org/abs/2201.03545
  • Swin Transformer V2：扩展容量和分辨率： https://arxiv.org/abs/2111.09883
• 数据集：ImageNet-1k
• 预训练数据集：ImageNet-12k

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('maxxvitv2_rmlp_base_rw_384.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_384.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, 192, 192])
    #  torch.Size([1, 128, 96, 96])
    #  torch.Size([1, 256, 48, 48])
    #  torch.Size([1, 512, 24, 24])
    #  torch.Size([1, 1024, 12, 12])

    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_384.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, 12, 12) 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指标

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}
}