Mambavision T2 1K

🚀 MambaVision: ハイブリッドMamba-Transformerビジョンバックボーン

MambaとTransformerの強みを活用したコンピュータビジョン用の最初のハイブリッドモデルです。

📚 ドキュメント

モデル概要

私たちは、MambaとTransformerの強みを活用した、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。具体的には、視覚特徴を効率的にモデル化する能力を高めるために、Mambaの定式化を再設計することが、私たちの核心的な貢献です。さらに、Vision Transformers (ViT) とMambaを統合する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ました。結果として、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がわかりました。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を持つMambaVisionモデルファミリーを導入します。

モデルの性能

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

📦 インストール

MambaVisionの必要なパッケージ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

各モデルについて、画像分類と特徴抽出の2つのバリアントを提供しており、1行のコードでインポートできます。

画像分類

次の例では、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次の画像を入力として与えます。

次のコードスニペットを画像分類に使用できます。

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

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-T2-1K", trust_remote_code=True)

# 推論用の評価モード
model.cuda().eval()

# モデル用に画像を準備
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVisionは任意の入力解像度をサポート
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()
# モデル推論
outputs = model(inputs)
logits = outputs['logits'] 
predicted_class_idx = logits.argmax(-1).item()
print("予測されたクラス:", 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特徴を平坦化したものを抽出できます。

次のコードスニペットを特徴抽出に使用できます。

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

model = AutoModel.from_pretrained("nvidia/MambaVision-T2-1K", trust_remote_code=True)

# 推論用の評価モード
model.cuda().eval()

# モデル用に画像を準備
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVisionは任意の入力解像度をサポート
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()
# モデル推論
out_avg_pool, features = model(inputs)
print("平均プーリングされた特徴のサイズ:", out_avg_pool.size())  # torch.Size([1, 640])
print("抽出された特徴のステージ数:", len(features)) # 4つのステージ
print("ステージ1の抽出された特徴のサイズ:", features[0].size()) # torch.Size([1, 80, 56, 56])
print("ステージ4の抽出された特徴のサイズ:", features[3].size()) # torch.Size([1, 640, 7, 7])

📄 ライセンス

NVIDIA Source Code License-NC