Mobilevit X Small

🚀 MobileViT (超小型モデル)

MobileViT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、Sachin MehtaとMohammad RastegariによるMobileViT: Light - weight, General - purpose, and Mobile - friendly Vision Transformerで導入され、初めて[this repository](https://github.com/apple/ml - cvnets)で公開されました。使用されているライセンスは[Apple sample code license](https://github.com/apple/ml - cvnets/blob/main/LICENSE)です。

免責事項: MobileViTをリリース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。

✨ 主な機能

MobileViTは、軽量で低遅延の畳み込みニューラルネットワークです。MobileNetV2スタイルのレイヤーと、畳み込みの局所処理をトランスフォーマーを用いたグローバル処理に置き換える新しいブロックを組み合わせています。ViT (Vision Transformer) と同様に、画像データはトランスフォーマーレイヤーで処理される前に平坦化されたパッチに変換されます。その後、パッチは特徴マップに戻されます。これにより、MobileViTブロックをCNN内の任意の場所に配置することができます。また、MobileViTは位置埋め込みを必要としません。

🚀 クイックスタート

このモデルは画像分類に使用できます。興味のあるタスクに関する微調整済みの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

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です。

from transformers import MobileViTFeatureExtractor, MobileViTForImageClassification
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 = MobileViTFeatureExtractor.from_pretrained("apple/mobilevit-x-small")
model = MobileViTForImageClassification.from_pretrained("apple/mobilevit-x-small")

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])

現在、特徴抽出器とモデルの両方がPyTorchをサポートしています。

📦 インストール

このドキュメントにはインストール手順に関する具体的な内容がありません。

📚 ドキュメント

トレーニングデータ

MobileViTモデルは、100万枚の画像と1,000のクラスから構成される[ImageNet - 1k](https://huggingface.co/datasets/imagenet - 1k)で事前学習されています。

トレーニング手順

前処理

トレーニングには、ランダムなリサイズクロッピングと水平反転といった基本的なデータ拡張のみが必要です。

微調整を必要とせずに多尺度表現を学習するために、トレーニング中に多尺度サンプラーが使用され、画像サイズは(160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320)からランダムにサンプリングされます。

推論時には、画像は同じ解像度(288x288)にリサイズ/リスケールされ、256x256で中央クロップされます。

ピクセルは[0, 1]の範囲に正規化されます。画像はRGBではなくBGRのピクセル順であることが期待されます。

事前学習

MobileViTネットワークは、8つのNVIDIA GPU上でImageNet - 1kに対して300エポックでゼロからトレーニングされ、有効なバッチサイズは1024で、学習率は3kステップのウォームアップの後、コサインアニーリングが使用されます。また、ラベルスムージング交差エントロピー損失とL2重み減衰も使用されています。トレーニング解像度は160x160から320x320まで多尺度サンプリングを使用して変化します。

評価結果

BibTeX引用

@inproceedings{vision-transformer,
title = {MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer},
author = {Sachin Mehta and Mohammad Rastegari},
year = {2022},
URL = {https://arxiv.org/abs/2110.02178}
}

📄 ライセンス

このモデルは[Apple sample code license](https://github.com/apple/ml - cvnets/blob/main/LICENSE)の下で提供されています。