Cvt 21 384

🚀 畳み込みビジョントランスフォーマー (CvT)

CvTは、画像認識の分野において、畳み込み層をビジョントランスフォーマーに導入することで、高い性能を発揮するモデルです。このCvT - 21モデルは、解像度384x384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、論文 CvT: Introducing Convolutions to Vision Transformers（Wuらによる）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、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のImageNetクラスのいずれかに分類する方法です。

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-21-384')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-21-384')

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。