Vision Transformer (position relative)

Catégorie : ViT · Code : timm/models/vision_transformer_relpos.py · Architectures : 14 · Poids pré-entraînés : 9 (9 avec des résultats sur ImageNet-1k)

Vision Transformers utilisant des biais de position relatifs au lieu d'embeddings de position absolus. La docstring du module marque ces modèles comme expérimentaux.

Articles

• Une image vaut 16x16 mots : Transformers pour la reconnaissance d'images à grande échelle
• Swin Transformer V2 : augmentation de la capacité et de la résolution

Utilisation

Consultez le Démarrage rapide pour le chargement des poids pré-entraînés, le prétraitement des images et l’ajustement fin, ainsi que Extraction de caractéristiques pour utiliser les modèles comme squelettes.

>>> import timm
>>> model = timm.create_model('vit_relpos_small_patch16_224.sw_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Prise en charge de l'API des modèles

✓ pris en charge, ✓ (carré) fonctionne uniquement pour les tailles carrées, ✗ non pris en charge, – non nécessaire (le modèle accepte déjà n'importe quelle taille d'entrée). Vérifié en exécutant chaque fonctionnalité sur un modèle initialisé aléatoirement (VisionTransformerRelPos avec vit_srelpos_small_patch16_224 à 224), les autres architectures de la même classe sont censées se comporter de la même manière. Consultez la page API du modèle pour plus de détails.

Architectures

Les GMACs et le nombre de paramètres correspondent à la taille d’entrée par défaut et au classifieur de chaque architecture, d’après les résultats des benchmarks.

Poids pré-entraînés

Top-1 est la précision de validation sur ImageNet-1k issue de results-imagenet.csv à la taille d'évaluation indiquée, - si le poids n'a pas de résultat ImageNet-1k (par exemple, poids de pré-entraînement ou poids image-texte). Classes est la taille du classifieur pré-entraîné, aucune pour les poids sans classifieur.