Convnextv2 Atto.fcmae

🚀 convnextv2_atto.fcmae

ConvNeXt-V2は自己教師付きの特徴表現モデルです。完全畳み込みマスクオートエンコーダフレームワーク（FCMAE）を用いて事前学習されています。このモデルには事前学習されたヘッドがなく、ファインチューニングまたは特徴抽出にのみ有用です。

🚀 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。以下のセクションで具体的な使い方を紹介します。

✨ 主な機能

• 自己教師付き学習による特徴表現の学習
• 画像分類や特徴抽出に適用可能
• 完全畳み込みマスクオートエンコーダフレームワーク（FCMAE）を用いた事前学習

📚 ドキュメント

モデル詳細

モデルの使用方法

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('convnextv2_atto.fcmae', 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)

特徴マップ抽出

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(
    'convnextv2_atto.fcmae',
    pretrained=True,
    features_only=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

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 40, 56, 56])
    #  torch.Size([1, 80, 28, 28])
    #  torch.Size([1, 160, 14, 14])
    #  torch.Size([1, 320, 7, 7])

    print(o.shape)

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(
    'convnextv2_atto.fcmae',
    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, 320, 7, 7) shaped tensor

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

モデル比較

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

すべてのタイミングデータは、RTX 3090でAMPを使用したPyTorch 1.13のeagerモデルから取得されています。

📄 ライセンス

このモデルはCC-BY-NC-4.0ライセンスの下で提供されています。