Mambavision S 1K

🚀 MambaVision: A Hybrid Mamba - Transformer Vision Backbone

コンピュータビジョンにおけるMambaとTransformerの強みを活用したハイブリッドモデル

このプロジェクトでは、MambaとTransformerの強みを生かしたコンピュータビジョン用のハイブリッドモデルを開発しています。具体的には、視覚特徴の効率的なモデリング能力を向上させるためにMambaの定式化を再設計し、Vision Transformers (ViT) とMambaの統合の実現可能性について包括的なアブレーション研究を行っています。

🚀 クイックスタート

このセクションでは、MambaVisionモデルの概要、性能、使用方法について説明します。

✨ 主な機能

モデル概要

MambaVision: A Hybrid Mamba - Transformer Vision Backboneでは、コンピュータビジョン用の最初のハイブリッドモデルを開発しました。このモデルはMambaとTransformerの強みを活用し、Mambaの定式化を再設計することで視覚特徴の効率的なモデリング能力を向上させました。また、Vision Transformers (ViT) とMambaの統合の実現可能性について包括的なアブレーション研究を行い、Mambaアーキテクチャの最終層にいくつかの自己注意ブロックを備えることで、長距離の空間依存関係を捉えるモデリング能力が大幅に向上することを示しました。これらの知見に基づき、様々な設計基準を満たす階層的アーキテクチャのMambaVisionモデルファミリーを提案しています。

モデル性能

MambaVisionは、Top - 1精度とスループットの面で新しいSOTAパレートフロントを達成し、強力な性能を示しています。

📦 インストール

MambaVisionの要件をインストールするには、以下のコマンドを実行することを強くおすすめします。

pip install mambavision

💻 使用例

基本的な使用法

各モデルには、画像分類と特徴抽出の2つのバリエーションがあり、1行のコードでインポートできます。

画像分類

以下の例では、MambaVisionを画像分類に使用する方法を示します。

COCOデータセットの検証セットからの画像を入力として与えます。

以下のコードスニペットを使用して画像分類を行うことができます。

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-S-1K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()
# model inference
outputs = model(inputs)
logits = outputs['logits'] 
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

予測されたラベルは brown bear, bruin, Ursus arctos. です。

特徴抽出

MambaVisionは、汎用的な特徴抽出器としても使用できます。具体的には、モデルの各ステージ（4つのステージ）の出力と、最終的な平均プーリングされた平坦化された特徴を抽出することができます。

以下のコードスニペットを使用して特徴抽出を行うことができます。

from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-S-1K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 640])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 80, 56, 56])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 640, 7, 7])

📄 ライセンス

NVIDIA Source Code License - NC