# ViTamin

**Catégorie :** Hybride · **Code :** [`timm/models/vitamin.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/vitamin.py) · **Architectures :** 13 · **Poids pré-entraînés :** 15 (0 avec des résultats ImageNet-1k)

ViTamin est un modèle de vision conçu pour les modèles de vision-langage, avec des étapes convolutives (MBConv) suivies d'étapes de transformeur. Les poids sont des tours d'image CLIP.

## Articles

* [ViTamin : Concevoir des modèles de vision évolutifs à l’ère de la vision-langage](https://arxiv.org/abs/2404.02132)

## Utilisation

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

```py
>>> import timm
>>> model = timm.create_model('vitamin_base_224.datacomp1b_clip', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Prise en charge de l'API des modèles

| Fonctionnalité | `VisionTransformer` |
|---|---|
| [cartes de caractéristiques `features_only=True`](../model_api#intermediate-features) | ✓ (pas 16, 16, 16) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Toute taille d'entrée, aucune modification nécessaire](../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) | ✓ |
| [Décroissance du taux d'apprentissage par couche (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ 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 (`VisionTransformer` avec `vitamin_small_224` à 224), les autres architectures de la même classe sont censées se comporter de la même manière. Consultez la page [API du modèle](../model_api) pour plus de détails.

## Architectures

| Architecture | Paramètres (M) | GMACs | Taille d'entrée | Poids pré-entraînés |
|---|---:|---:|---:|---:|
| `vitamin_base_224` | 87.72 | 22.68 | 224 | 2 |
| `vitamin_large2_224` | 333.58 | 75.05 | 224 | 1 |
| `vitamin_large2_256` | 333.64 | 99.00 | 256 | 1 |
| `vitamin_large2_336` | 333.83 | 175.72 | 336 | 1 |
| `vitamin_large2_384` | 333.97 | 234.44 | 384 | 1 |
| `vitamin_large_224` | 333.32 | 75.05 | 224 | 1 |
| `vitamin_large_256` | 333.38 | 99.00 | 256 | 1 |
| `vitamin_large_336` | 333.57 | 175.72 | 336 | 1 |
| `vitamin_large_384` | 333.71 | 234.44 | 384 | 1 |
| `vitamin_small_224` | 22.17 | 5.92 | 224 | 2 |
| `vitamin_xlarge_256` | 436.06 | 130.13 | 256 | 1 |
| `vitamin_xlarge_336` | 436.06 | 230.18 | 336 | 1 |
| `vitamin_xlarge_384` | 436.06 | 306.38 | 384 | 1 |

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](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Poids pré-entraînés

Top-1 est la précision de validation sur ImageNet-1k issue de [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/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.

| Poids | Taille d'entrée | Top-1 (%) | Taille d'évaluation | Classes | Licence | Hub |
|---|---:|---:|---:|---:|---|---|
| `vitamin_base_224.datacomp1b_clip` | 224 | - | - | 768 | mit | [jienengchen/ViTamin-B](https://huggingface.co/jienengchen/ViTamin-B) |
| `vitamin_base_224.datacomp1b_clip_ltt` | 224 | - | - | 768 | mit | [jienengchen/ViTamin-B-LTT](https://huggingface.co/jienengchen/ViTamin-B-LTT) |
| `vitamin_large2_224.datacomp1b_clip` | 224 | - | - | 1024 | mit | [jienengchen/ViTamin-L2-224px](https://huggingface.co/jienengchen/ViTamin-L2-224px) |
| `vitamin_large2_256.datacomp1b_clip` | 256 | - | - | 1024 | mit | [jienengchen/ViTamin-L2-256px](https://huggingface.co/jienengchen/ViTamin-L2-256px) |
| `vitamin_large2_336.datacomp1b_clip` | 336 | - | - | 1024 | mit | [jienengchen/ViTamin-L2-336px](https://huggingface.co/jienengchen/ViTamin-L2-336px) |
| `vitamin_large2_384.datacomp1b_clip` | 384 | - | - | 1024 | mit | [jienengchen/ViTamin-L2-384px](https://huggingface.co/jienengchen/ViTamin-L2-384px) |
| `vitamin_large_224.datacomp1b_clip` | 224 | - | - | 768 | mit | [jienengchen/ViTamin-L-224px](https://huggingface.co/jienengchen/ViTamin-L-224px) |
| `vitamin_large_256.datacomp1b_clip` | 256 | - | - | 768 | mit | [jienengchen/ViTamin-L-256px](https://huggingface.co/jienengchen/ViTamin-L-256px) |
| `vitamin_large_336.datacomp1b_clip` | 336 | - | - | 768 | mit | [jienengchen/ViTamin-L-336px](https://huggingface.co/jienengchen/ViTamin-L-336px) |
| `vitamin_large_384.datacomp1b_clip` | 384 | - | - | 768 | mit | [jienengchen/ViTamin-L-384px](https://huggingface.co/jienengchen/ViTamin-L-384px) |
| `vitamin_small_224.datacomp1b_clip` | 224 | - | - | 384 | mit | [jienengchen/ViTamin-S](https://huggingface.co/jienengchen/ViTamin-S) |
| `vitamin_small_224.datacomp1b_clip_ltt` | 224 | - | - | 768 | mit | [jienengchen/ViTamin-S-LTT](https://huggingface.co/jienengchen/ViTamin-S-LTT) |
| `vitamin_xlarge_256.datacomp1b_clip` | 256 | - | - | 1152 | mit | [jienengchen/ViTamin-XL-256px](https://huggingface.co/jienengchen/ViTamin-XL-256px) |
| `vitamin_xlarge_336.datacomp1b_clip` | 336 | - | - | 1152 | mit | [jienengchen/ViTamin-XL-336px](https://huggingface.co/jienengchen/ViTamin-XL-336px) |
| `vitamin_xlarge_384.datacomp1b_clip` | 384 | - | - | 1152 | mit | [jienengchen/ViTamin-XL-384px](https://huggingface.co/jienengchen/ViTamin-XL-384px) |

## Citation

```bibtex
@inproceedings{chen2024vitamin,
  title={ViTamin: Designing Scalable Vision Models in the Vision-language Era},
  author={Chen, Jieneng and Yu, Qihang and Shen, Xiaohui and Yuille, Alan and Chen, Liang-Chieh},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  year={2024}
}
```