# NaFlex ViT

**Categoría:** ViT · **Código:** [`timm/models/naflexvit.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/naflexvit.py) · **Arquitecturas:** 14 · **Pesos preentrenados:** 11 (3 con resultados en ImageNet-1k)

Un Vision Transformer con la incrustación de parches y la codificación de posición en un solo módulo, que admite entradas pre-parcheadas con relación de aspecto y resolución variables (NaFlex), tamaño de parche variable de FlexiViT y incrustaciones de posición factorizadas de NaViT.

## Papers

* [Una imagen vale 16x16 palabras: Transformers para el reconocimiento de imágenes a gran escala](https://arxiv.org/abs/2010.11929)
* [FlexiViT: Un modelo para todos los tamaños de parche](https://arxiv.org/abs/2212.08013)
* [Patch n' Pack: NaViT, un Vision Transformer para cualquier relación de aspecto y resolución](https://arxiv.org/abs/2307.06304)
* [SigLIP 2: codificadores de visión-lenguaje multilingües con una comprensión semántica, localización y características densas mejoradas](https://arxiv.org/abs/2502.14786)

Referenciado por pesos preentrenados:

* [arXiv:2412.07679](https://arxiv.org/abs/2412.07679)
* [arXiv:2601.17237](https://arxiv.org/abs/2601.17237)

## Uso

Consulte la [Introducción rápida](../quickstart) para cargar pesos preentrenados, preprocesar imágenes y realizar el ajuste fino, y [Extracción de características](../feature_extraction) para usar los modelos como columnas verticales.

```py
>>> import timm
>>> model = timm.create_model('naflexvit_base_patch16_parfac_gap.e300_s576_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Soporte de la API de modelos

| Característica | `NaFlexVit` |
|---|---|
| [mapas de características de `features_only=True`](../model_api#intermediate-features) | ✓ (pasos 16, 16, 16) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Cualquier tamaño de entrada, no se necesitan cambios](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✓ |
| [Decaimiento del LR por capa (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ compatible, ✓ (cuadrado) funciona solo con tamaños cuadrados, ✗ no compatible, – no necesario (el modelo ya acepta cualquier tamaño de entrada). Verificado ejecutando cada función en un modelo inicializado aleatoriamente (`NaFlexVit` con `naflexvit_base_patch16_parfac_gap` en 384); se espera que otras arquitecturas de la misma clase se comporten de la misma manera. Consulte la página [Model API](../model_api) para más detalles.

## Arquitecturas

| Arquitectura | Parámetros (M) | GMACs | Tamaño de entrada | Pesos preentrenados |
|---|---:|---:|---:|---:|
| `naflexvit_base_patch16_gap` | 86.63 | 55.86 | 384 | 1 |
| `naflexvit_base_patch16_map` | 93.72 | 56.23 | 384 | 0 |
| `naflexvit_base_patch16_par_gap` | 86.63 | 55.86 | 384 | 1 |
| `naflexvit_base_patch16_parfac_gap` | 86.46 | 55.86 | 384 | 1 |
| `naflexvit_base_patch16_radio_v3` | 98.25 | - | 512 | 1 |
| `naflexvit_base_patch16_siglip` | 92.93 | 56.12 | 384 | 1 |
| `naflexvit_giant_patch16_radio_v3` | 1159.62 | - | 512 | 1 |
| `naflexvit_huge_patch16_radio_v3` | 651.64 | - | 512 | 1 |
| `naflexvit_huge_patch16_radio_v4` | 651.65 | - | 512 | 1 |
| `naflexvit_large_patch16_radio_v3` | 319.93 | - | 512 | 1 |
| `naflexvit_so150m2_patch16_reg1_gap` | 136.06 | 89.53 | 384 | 0 |
| `naflexvit_so150m2_patch16_reg1_map` | 142.46 | 90.33 | 384 | 0 |
| `naflexvit_so400m_patch16_radio_v4` | 431.24 | - | 512 | 1 |
| `naflexvit_so400m_patch16_siglip` | 427.89 | 259.65 | 384 | 1 |

Los GMAC y el número de parámetros corresponden al tamaño de entrada y al clasificador predeterminados de cada arquitectura, según los [resultados de las pruebas de rendimiento](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Pesos preentrenados

Top-1 es la precisión de validación en ImageNet-1k desde [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) en el tamaño de evaluación indicado, - si el peso no tiene un resultado de ImageNet-1k (p. ej. pesos de preentrenamiento o de imagen-texto). Classes es el tamaño del clasificador preentrenado, ninguno para pesos sin uno.

Los pesos se agrupan por origen: el artículo o procedencia indicado en la configuración preentrenada, en su defecto una organización del Hub distinta de `timm`, y si no, la primera parte de la etiqueta preentrenada (`architecture.tag`). Los orígenes con un solo peso se listan bajo otros.

### arXiv:2412.07679

Las configuraciones preentrenadas hacen referencia a [arXiv:2412.07679](https://arxiv.org/abs/2412.07679).

| Peso | Tamaño de entrada | Top-1 (%) | Tamaño de evaluación | Clases | Licencia | Hub |
|---|---:|---:|---:|---:|---|---|
| `naflexvit_base_patch16_radio_v3.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_base_patch16_radio_v3.c_radio) |
| `naflexvit_giant_patch16_radio_v3.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_giant_patch16_radio_v3.c_radio) |
| `naflexvit_huge_patch16_radio_v3.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_huge_patch16_radio_v3.c_radio) |
| `naflexvit_large_patch16_radio_v3.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_large_patch16_radio_v3.c_radio) |

### etiquetas `v2`

| Peso | Tamaño de entrada | Top-1 (%) | Tamaño de evaluación | Clases | Licencia | Hub |
|---|---:|---:|---:|---:|---|---|
| `naflexvit_base_patch16_siglip.v2_webli` | 384 | - | - | none | apache-2.0 | [timm](https://huggingface.co/timm/naflexvit_base_patch16_siglip.v2_webli) |
| `naflexvit_so400m_patch16_siglip.v2_webli` | 384 | - | - | none | apache-2.0 | [timm](https://huggingface.co/timm/naflexvit_so400m_patch16_siglip.v2_webli) |

### arXiv:2601.17237

Las configuraciones preentrenadas hacen referencia a [arXiv:2601.17237](https://arxiv.org/abs/2601.17237).

| Peso | Tamaño de entrada | Top-1 (%) | Tamaño de evaluación | Clases | Licencia | Hub |
|---|---:|---:|---:|---:|---|---|
| `naflexvit_huge_patch16_radio_v4.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_huge_patch16_radio_v4.c_radio) |
| `naflexvit_so400m_patch16_radio_v4.c_radio` | 512 | - | - | none | nvidia-open-model-license | [timm](https://huggingface.co/timm/naflexvit_so400m_patch16_radio_v4.c_radio) |

### Otros

| Peso | Tamaño de entrada | Top-1 (%) | Tamaño de evaluación | Clases | Licencia | Hub |
|---|---:|---:|---:|---:|---|---|
| `naflexvit_base_patch16_gap.e300_s576_in1k` | 384 | 83.340 | 384 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/naflexvit_base_patch16_gap.e300_s576_in1k) |
| `naflexvit_base_patch16_par_gap.e300_s576_in1k` | 384 | 83.508 | 384 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/naflexvit_base_patch16_par_gap.e300_s576_in1k) |
| `naflexvit_base_patch16_parfac_gap.e300_s576_in1k` | 384 | 83.468 | 384 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/naflexvit_base_patch16_parfac_gap.e300_s576_in1k) |