Eva02 Small Patch14 224.mim In22k

🚀 eva02_small_patch14_224.mim_in22k

このモデルはEVA02の特徴抽出・表現モデルです。論文の著者により、マスク画像モデリング（EVA - CLIPをMIM教師として使用）を用いてImageNet - 22kで事前学習されています。 EVA - 02モデルは、平均プーリング、SwiGLU、ロータリー位置埋め込み（ROPE）、そしてMLPに追加のLN（BaseとLargeの場合）を備えたビジョントランスフォーマーです。

⚠️ 重要な注意事項 timmのチェックポイントは他のモデルとの一貫性のためにfloat32です。元のチェックポイントは場合によってはfloat16またはbfloat16です。その場合は元のものを参照してください。

🚀 クイックスタート

このモデルは、画像分類や特徴抽出などのタスクに使用できます。以下に具体的な使用方法を示します。

✨ 主な機能

• 画像分類に適した特徴バックボーンとして機能します。
• 事前学習済みの重みを使用することで、高精度な画像分類や特徴抽出が可能です。

📚 ドキュメント

モデルの詳細

💻 使用例

基本的な使用法

画像分類

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('eva02_small_patch14_224.mim_in22k', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

画像埋め込み

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'eva02_small_patch14_224.mim_in22k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 257, 384) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

🔧 技術詳細

このモデルは、ビジョントランスフォーマーのアーキテクチャをベースにしており、平均プーリング、SwiGLU、ロータリー位置埋め込み（ROPE）などの技術を用いています。これらの技術により、高精度な画像分類や特徴抽出が可能になっています。

📄 ライセンス

このモデルはMITライセンスの下で公開されています。

モデルの比較

timmのモデル結果で、このモデルのデータセットと実行時のメトリクスを調べることができます。

引用

@article{EVA02,
  title={EVA-02: A Visual Representation for Neon Genesis},
  author={Fang, Yuxin and Sun, Quan and Wang, Xinggang and Huang, Tiejun and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.11331},
  year={2023}
}

@article{EVA-CLIP,
  title={EVA-02: A Visual Representation for Neon Genesis},
  author={Sun, Quan and Fang, Yuxin and Wu, Ledell and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.15389},
  year={2023}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}