Vision Transformer（相対位置）

カテゴリ: ViT · コード: timm/models/vision_transformer_relpos.py · アーキテクチャ: 14 · 事前学習済み重み: 9 (ImageNet-1kの結果付き9)

絶対位置埋め込みの代わりに相対位置バイアスを使用するVision Transformers。モジュールのドキュメント文字列では、これらのモデルは実験的であると記載されています。

論文

• 画像1枚は16x16の単語に相当：大規模な画像認識のためのTransformer
• Swin Transformer V2: 容量と解像度のスケーリング

使用方法

事前学習済み重みの読み込み、画像の前処理、ファインチューニングについてはクイックスタートを、モデルをバックボーンとして使用する方法については特徴量抽出を参照してください。

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

モデルAPIのサポート

✓ 対応、✓ (square) 正方形サイズのみ動作、✗ 非対応、– 不要（モデルはすでに任意の入力サイズを受け入れる）。各機能をランダム初期化されたモデル（VisionTransformerRelPos、vit_srelpos_small_patch16_224、224）で実行して確認しました。同じクラスの他のアーキテクチャも同様に動作すると考えられます。詳細はModel APIページを参照してください。

アーキテクチャ

GMACsとパラメータ数は、各アーキテクチャのデフォルトの入力サイズと分類器に基づいており、ベンチマーク結果から得られたものです。

事前学習済み重み

Top-1 は、results-imagenet.csv に記載された評価サイズでの ImageNet-1k 検証精度です。- は、ImageNet-1k の結果がない重み（例: プリトレーニング用または画像-テキスト用重み）を示します。Classes は事前学習済み分類器のサイズで、分類器を持たない重みについては none です。