Hiera Huge 224 Hf

🚀 Hieraモデル (Tiny, IN1Kでファインチューニング済み)

Hieraは、高速で強力で、そして何よりも_シンプル_な_階層型_ビジョントランスフォーマーです。このモデルは論文Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistlesで紹介され、多種多様な画像およびビデオタスクで最先端技術を上回り、しかも_はるかに高速_です。

✨ 主な機能

仕組み

ViTのようなビジョントランスフォーマーは、ネットワーク全体で同じ空間解像度と特徴量の数を使用します。しかし、これは非効率的です。初期の層ではそれほど多くの特徴量を必要とせず、後期の層ではそれほど高い空間解像度を必要としません。ResNetのような従来の階層型モデルは、最初に少ない特徴量を使用し、最後に低い空間解像度を使用することでこの問題に対応しています。

SwineやMViTなど、この階層的設計を採用したいくつかのドメイン固有のビジョントランスフォーマーが導入されています。しかし、ImageNet-1Kでの完全教師付き学習を使用して最先端の結果を追求する過程で、これらのモデルはViTが持たない空間的バイアスを補うために特殊なモジュールを追加することでますます複雑になっています。これらの変更は魅力的なFLOP数を持つ効果的なモデルを生み出しますが、実際には追加された複雑さのためにこれらのモデルは全体として_遅く_なっています。

私たちは、この多くの複雑さが実際には_不必要_であることを示しています。アーキテクチャの変更を通じて手動で空間基底を追加する代わりに、モデルにこれらのバイアスを_教える_ことを選択します。MAEを用いた学習により、既存のトランスフォーマーにおける_すべての_これらの巨大なモジュールを簡素化または削除し、その過程で_精度を向上_させることができます。その結果がHieraであり、いくつかの画像およびビデオ認識タスクで最先端技術を上回る非常に効率的でシンプルなアーキテクチャです。

想定される用途と制限

Hieraは画像分類、特徴抽出、またはマスク画像モデリングに使用できます。このチェックポイントは具体的には特徴抽出を目的としています。

📦 インストール

このセクションでは、原READMEにインストール手順が記載されていないため、省略します。

💻 使用例

基本的な使用法

from transformers import AutoImageProcessor, HieraModel
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-huge-224-hf")
model = HieraModel.from_pretrained("facebook/hiera-huge-224-hf")

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)

高度な使用法

モデルの異なる段階から特徴マップを抽出することもできます。HieraBackboneを使用し、モデルをロードする際にout_featuresを設定します。以下は、すべての段階から特徴マップを抽出する方法です。

from transformers import AutoImageProcessor, HieraBackbone
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-huge-224-hf")
# `out_features` should be a subset of ['stem', 'stage1', 'stage2', 'stage3', 'stage4']
# This introduce new LayerNorm layers and should probably train on a down-stream task
model = HieraBackbone.from_pretrained("facebook/hiera-huge-224-hf", out_features=['stage1', 'stage2', 'stage3', 'stage4'])

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)
feature_maps = outputs.feature_maps

BibTeXエントリと引用情報

もしあなたの研究でHieraまたはこのコードを使用する場合は、以下を引用してください。

@article{ryali2023hiera,
  title={Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles},
  author={Ryali, Chaitanya and Hu, Yuan-Ting and Bolya, Daniel and Wei, Chen and Fan, Haoqi and Huang, Po-Yao and Aggarwal, Vaibhav and Chowdhury, Arkabandhu and Poursaeed, Omid and Hoffman, Judy and Malik, Jitendra and Li, Yanghao and Feichtenhofer, Christoph},
  journal={ICML},
  year={2023}
}

📄 ライセンス

このプロジェクトはcc-by-nc-4.0ライセンスの下で提供されています。