Hiera Base 224 Hf

🚀 ヒエラモデル (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、幅広い画像およびビデオタスクにおいて最先端のモデルを上回り、しかも_はるかに高速_です。

🚀 クイックスタート

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。以前の階層型モデルであるResNetなどは、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処しています。

SWIN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に欠ける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。これらの変更により、魅力的なFLOP数を持つ効果的なモデルが生まれますが、実際には追加された複雑さにより、これらのモデルは全体的に_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_不要_であることを示しています。アーキテクチャの変更によって手動で空間ベース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を使用して学習することで、既存のトランスフォーマーにある_すべての_肥大化した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、いくつかの画像およびビデオ認識タスクにおいて最先端のモデル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特に特徴抽出を目的としています。

✨ 主な機能

• 高速で強力な階層型ビジョントランスフォーマー
• 幅広い画像およびビデオタスクで最先端のモデルを上回る性能
• シンプルなアーキテクチャで、不要な複雑さを排除

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 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-base-224-hf")
model = HieraModel.from_pretrained("facebook/hiera-base-224-hf")

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

高度な使用法

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-base-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-base-224-hf", out_features=['stage1', 'stage2', 'stage3', 'stage4'])

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

📚 ドキュメント

BibTeXエントリと引用情報

Hieraまたはこのコードをあなたの研究で使用する場合は、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。