Cvt 21

🚀 畳み込みビジョントランスフォーマー (CvT)

CvTは、画像認識タスクにおいて、畳み込み演算をビジョントランスフォーマーに導入することで、高精度な画像分類を実現するモデルです。このCvT-21モデルは、解像度224x224のImageNet-1kデータセットで事前学習されています。

🚀 クイックスタート

CvT-21モデルは、2021年にWuらによって論文 CvT: Introducing Convolutions to Vision Transformers で提案され、このリポジトリ で最初に公開されました。なお、CvT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。

💻 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種類のImageNetクラスのいずれかに分類する方法の例です。

from transformers import AutoFeatureExtractor, CvtForImageClassification
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 = AutoFeatureExtractor.from_pretrained('microsoft/cvt-21')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-21')

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。