# iFormer

**カテゴリ:** Efficient/Mobile · **コード:** [`timm/models/iformer.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/iformer.py) · **アーキテクチャ:** 9 · **事前学習済み重み:** 8 (ImageNet-1kの結果付き: 0)

iFormerは、モバイルアプリケーション向けに、後段のステージで高速な畳み込みネットワークと単一ヘッドモジュレーションアテンション（SHMA）を統合しています。

## 論文

* [iFormer: モバイルアプリケーション向けにConvNetとTransformerを統合](https://arxiv.org/abs/2501.15369)

## 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](../quickstart)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[特徴抽出](../feature_extraction)を参照してください。

```py
>>> import timm
>>> model = timm.create_model('iformer_h.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## モデルAPIのサポート

| 機能 | `IFormer` |
|---|---|
| [`features_only=True` 特徴マップ](../model_api#intermediate-features) | ✓ (ストライド 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [入力サイズは任意で、変更は不要です](../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) | ✓ |
| [レイヤーごとのLR減衰（`group_matcher()`）](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ 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）。各機能をランダムに初期化されたモデル（`IFormer`、`iformer_t`、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](../model_api)ページを参照してください。

## アーキテクチャ

| アーキテクチャ | パラメータ数 (M) | GMACs | 入力サイズ | 事前学習済み重み |
|---|---:|---:|---:|---:|
| `iformer_h` | 99.60 | - | 224 | 1 |
| `iformer_l` | 14.78 | - | 224 | 1 |
| `iformer_l2` | 24.52 | - | 224 | 0 |
| `iformer_l2_distilled` | 25.03 | - | 224 | 1 |
| `iformer_l_distilled` | 15.17 | - | 224 | 1 |
| `iformer_m` | 8.91 | - | 224 | 1 |
| `iformer_m_distilled` | 9.29 | - | 224 | 1 |
| `iformer_s` | 6.56 | - | 224 | 1 |
| `iformer_t` | 2.89 | - | 224 | 1 |

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](https://github.com/huggingface/pytorch-image-models/tree/main/results)から得られたものです。

## 事前学習済み重み

Top-1 は、[`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/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は該当しません。

| 重み | 入力サイズ | Top-1 (%) | 評価サイズ | クラス | ライセンス | Hub |
|---|---:|---:|---:|---:|---|---|
| `iformer_h.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_h.in1k) |
| `iformer_l.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_l.in1k) |
| `iformer_l2_distilled.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_l2_distilled.in1k) |
| `iformer_l_distilled.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_l_distilled.in1k) |
| `iformer_m.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_m.in1k) |
| `iformer_m_distilled.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_m_distilled.in1k) |
| `iformer_s.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_s.in1k) |
| `iformer_t.in1k` | 224 | - | - | 1000 | mit | [timm](https://huggingface.co/timm/iformer_t.in1k) |

## 引用

```bibtex
@inproceedings{zheng2025iformer,
  title={iformer: Integrating convnet and transformer for mobile application},
  author={Zheng, Chuanyang},
  booktitle={International Conference on Learning Representations},
  volume={2025},
  pages={22947--22961},
  year={2025}
}
```