Segment Anything ViT

Categoria: ViT · Código: timm/models/vision_transformer_sam.py · Arquiteturas: 4 · Pesos pré-treinados: 3 (0 com resultados no ImageNet-1k)

O codificador de imagens ViT do Segment Anything Model (SAM), um backbone ViT simples com blocos de atenção em janela e global e incorporações de posição relativa, como no ViTDet.

Artigos

• Explorando espinhas dorsais de Vision Transformer puro para detecção de objetos
• Segment Anything
• Uma imagem vale 16x16 palavras: Transformers para reconhecimento de imagem em escala

Uso

Veja o Início rápido para carregar pesos pré-treinados, pré-processar imagens e fazer fine-tuning, e Extração de recursos para usar os modelos como backbones.

>>> import timm
>>> model = timm.create_model('samvit_base_patch16.sa1b', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Suporte à API de modelos

✓ suportado, ✓ (quadrado) funciona apenas para tamanhos quadrados, ✗ não suportado, – não necessário (o modelo já aceita qualquer tamanho de entrada). Verificado executando cada recurso em um modelo inicializado aleatoriamente (VisionTransformerSAM com samvit_base_patch16_224 em 224); espera-se que outras arquiteturas da mesma classe se comportem da mesma forma. Consulte a página API do Modelo para mais detalhes.

Arquiteturas

Os GMACs e as contagens de parâmetros são para o tamanho de entrada e o classificador padrão de cada arquitetura, dos resultados do benchmark.

Pesos pré-treinados

Top-1 é a acurácia de validação no ImageNet-1k de results-imagenet.csv no tamanho de avaliação listado, - se o peso não tiver resultado no ImageNet-1k (por exemplo, pesos de pré-treinamento ou de imagem-texto). Classes é o tamanho do classificador pré-treinado, nenhum para pesos sem um.