Levit 384

🚀 LeViT

LeViTは、解像度224x224のImageNet-1kで事前学習されたモデルです。Grahamらによる論文 LeViT: a Vision Transformer in ConvNet's Clothing for Faster Inference 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、LeViT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。

🚀 クイックスタート

このモデルは、COCO 2017データセットの画像を1,000種類のImageNetクラスのいずれかに分類するために使用できます。

💻 使用例

基本的な使用法

from transformers import LevitFeatureExtractor, LevitForImageClassificationWithTeacher
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 = LevitFeatureExtractor.from_pretrained('facebook/levit-384')
model = LevitForImageClassificationWithTeacher.from_pretrained('facebook/levit-384')

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])

📄 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。