Swinv2 Small Patch4 Window16 256

🚀 Swin Transformer v2 (小型モデル)

Swin Transformer v2は、解像度256x256のImageNet - 1kで事前学習されたモデルです。このモデルは、Liuらによる論文 Swin Transformer V2: Scaling Up Capacity and Resolution で紹介され、このリポジトリ で最初に公開されました。

なお、Swin Transformer v2を公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

📚 ドキュメント

モデルの説明

Swin Transformerは、Vision Transformerの一種です。より深い層で画像パッチ（灰色で表示）をマージすることで階層的な特徴マップを構築し、各ローカルウィンドウ（赤色で表示）内でのみ自己注意を計算するため、入力画像サイズに対して線形の計算量を持ちます。このため、画像分類と密な認識タスクの両方に汎用的なバックボーンとして機能することができます。これに対し、以前のビジョンTransformerは単一の低解像度の特徴マップを生成し、グローバルに自己注意を計算するため、入力画像サイズに対して2次の計算量を持ちます。

Swin Transformer v2には、3つの主要な改良点があります。1) トレーニングの安定性を向上させるための、コサイン注意と組み合わせた残差事後正規化手法。2) 低解像度画像で事前学習されたモデルを高解像度入力の下流タスクに効果的に転送するための、対数間隔の連続的な位置バイアス手法。3) 大量のラベル付き画像の必要性を減らすための自己教師付き事前学習手法、SimMIMです。

出典

想定される用途と制限

この生モデルは画像分類に使用することができます。興味のあるタスクで微調整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。

使用例

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です。

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

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

processor = AutoImageProcessor.from_pretrained("microsoft/swinv2-small-patch4-window16-256")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-small-patch4-window16-256")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# モデルは1000のImageNetクラスのいずれかを予測します
predicted_class_idx = logits.argmax(-1).item()
print("予測されたクラス:", model.config.id2label[predicted_class_idx])

より多くのコード例については、ドキュメント を参照してください。

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-2111-09883,
  author    = {Ze Liu and
               Han Hu and
               Yutong Lin and
               Zhuliang Yao and
               Zhenda Xie and
               Yixuan Wei and
               Jia Ning and
               Yue Cao and
               Zheng Zhang and
               Li Dong and
               Furu Wei and
               Baining Guo},
  title     = {Swin Transformer {V2:} Scaling Up Capacity and Resolution},
  journal   = {CoRR},
  volume    = {abs/2111.09883},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.09883},
  eprinttype = {arXiv},
  eprint    = {2111.09883},
  timestamp = {Thu, 02 Dec 2021 15:54:22 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-09883.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で提供されています。