Mambavision T 1K

🚀 MambaVision: A Hybrid Mamba - Transformer Vision Backbone

MambaとTransformerの強みを生かしたコンピュータビジョン用のハイブリッドモデルで、視覚特徴の効率的なモデリング能力を向上させます。

🚀 クイックスタート

このモデルに関する論文「MambaVision: A Hybrid Mamba-Transformer Vision Backbone」を参照してください。

✨ 主な機能

• MambaとTransformerの強みを生かした初のコンピュータビジョン用ハイブリッドモデルを開発。
• Mambaの定式化を再設計し、視覚特徴の効率的なモデリング能力を向上。
• Vision Transformers (ViT) とMambaの統合の実現可能性について包括的なアブレーション研究を実施。
• Mambaアーキテクチャの最終層にいくつかの自己注意ブロックを備えることで、長距離の空間依存関係を捉えるモデリング能力を大幅に向上。
• 階層的なアーキテクチャを持つMambaVisionモデルファミリーを導入し、様々な設計基準を満たす。

📦 インストール

MambaVisionの要件をインストールするには、以下のコマンドを実行することを強くおすすめします。

pip install mambavision

💻 使用例

基本的な使用法

各モデルには、画像分類と特徴抽出の2つのバリアントがあり、1行のコードでインポートできます。

画像分類

以下の例では、MambaVisionを画像分類に使用する方法を示します。

COCOデータセット の検証セットからの画像を入力として与えます。

以下のコードスニペットを画像分類に使用できます。

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-T-1K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()
# model inference
outputs = model(inputs)
logits = outputs['logits'] 
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

予測されたラベルは brown bear, bruin, Ursus arctos. です。

特徴抽出

MambaVisionは、汎用的な特徴抽出器としても使用できます。

具体的には、モデルの各段階（4段階）の出力と、最終的な平均プーリングされた平坦化された特徴を抽出できます。

以下のコードスニペットを特徴抽出に使用できます。

from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-T-1K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 640])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 80, 56, 56])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 640, 7, 7])

📚 ドキュメント

モデルの性能

MambaVisionは、Top - 1精度とスループットの面で新たなSOTAパレートフロントを達成し、強力な性能を示しています。

📄 ライセンス

このモデルは NVIDIA Source Code License - NC の下で提供されています。