Eva02 Tiny Patch14 224.mim In22k

🚀 eva02_tiny_patch14_224.mim_in22k

EVA02は、画像特徴抽出に特化したモデルで、ImageNet-22kデータセットを用いて事前学習されています。

🚀 クイックスタート

EVA02は、平均プーリング、SwiGLU、Rotary Position Embeddings (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モデルです。このモデルは、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。

⚠️ 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。その場合は元のチェックポイントを参照してください。

✨ 主な機能

• 画像分類と特徴抽出に適したバックボーンモデルです。
• 事前学習により、高い性能を発揮します。

📦 インストール

このモデルはtimmライブラリを通じて使用できます。以下のコマンドでtimmを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_tiny_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_tiny_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, 192) 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。

🔧 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います。平均プーリング、SwiGLU、Rotary Position Embeddings (ROPE)、そしてMLPに追加のLN（BaseとLargeの場合）を用いることで、高い性能を実現しています。

📄 ライセンス

このプロジェクトは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}}
}