Nat Base In1k 224

🚀 NAT (base variant)

NAT-Baseは、解像度224x224のImageNet-1Kで学習されたモデルです。このモデルは、Hassaniらによる論文 Neighborhood Attention Transformer で紹介され、このリポジトリ で最初に公開されました。

🚀 クイックスタート

このモデルを使って画像分類を行うことができます。興味のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

✨ 主な機能

NATは、Neighborhood Attention (NA) に基づく階層型ビジョントランスフォーマーです。Neighborhood Attentionは、各トークンの受容野が最も近い隣接ピクセルに制限された制約付き自己注意パターンです。NAはスライディングウィンドウ型の注意パターンであり、非常に柔軟で並進等変性を維持します。

NAは、その拡張である NATTEN を通じてPyTorchで実装されています。

Source

📦 インストール

このモデルは、transformersに加えて NATTEN パッケージが必要です。

Linuxの場合は、shi-labs.com/natten を参照して、事前にコンパイルされたバイナリでのインストール手順を確認できます（正しいwheel URLを取得するためにtorchビルドを選択してください）。

または、pip install natten を使用してデバイス上でコンパイルすることもできますが、これには数分かかる場合があります。Macユーザーは後者のオプションのみ利用可能です（事前にコンパイルされたバイナリはありません）。

詳細については、NATTENのGitHub を参照してください。

💻 使用例

基本的な使用法

以下は、このモデルを使用してCOCO 2017データセットの画像を1,000のImageNetクラスのいずれかに分類する方法の例です。

from transformers import AutoImageProcessor, NatForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = AutoImageProcessor.from_pretrained("shi-labs/nat-base-in1k-224")
model = NatForImageClassification.from_pretrained("shi-labs/nat-base-in1k-224")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

詳細な例については、ドキュメント を参照してください。

📚 ドキュメント

想定される用途と制限

このモデルの生モデルを画像分類に使用できます。興味のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

引用情報

@article{hassani2022neighborhood,
	title        = {Neighborhood Attention Transformer},
	author       = {Ali Hassani and Steven Walton and Jiachen Li and Shen Li and Humphrey Shi},
	year         = 2022,
	url          = {https://arxiv.org/abs/2204.07143},
	eprint       = {2204.07143},
	archiveprefix = {arXiv},
	primaryclass = {cs.CV}
}

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。