Eva02 Large Patch14 224.mim M38m

🚀 eva02_large_patch14_224.mim_m38mのモデルカード

EVA02の特徴/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、Merged - 38M（IN - 22K、CC12M、CC3M、COCO（トレーニング）、ADE20K（トレーニング）、Object365、およびOpenImages）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）、および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。

⚠️ 重要提示

timmのチェックポイントは、他のモデルとの一貫性を保つために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に使用できます。以下に具体的な使用方法を説明します。

✨ 主な機能

• 画像分類や特徴抽出に適したモデルです。
• 事前学習データセットを用いて、高精度な表現を学習しています。

📦 インストール

このモデルを使用するには、timmライブラリが必要です。以下のコマンドでインストールできます。

pip install timm

💻 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_large_patch14_224.mim_m38m', 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_large_patch14_224.mim_m38m',
    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, 1024) shaped tensor

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

📚 ドキュメント

モデル詳細

モデル比較

このモデルのデータセットと実行時のメトリクスをtimmのモデル結果で確認できます。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

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}}
}