Cvt 21 384 22k

🚀 畳み込みビジョントランスフォーマー (CvT)

CvTは、画像分類のためのモデルです。CvT-21モデルは、ImageNet-22kで事前学習され、解像度384x384のImageNet-1kで微調整されています。

🚀 クイックスタート

CvTは、画像分類のためのモデルで、論文 CvT: Introducing Convolutions to Vision Transformers 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。

💻 使用例

基本的な使用法

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-21-384-22k')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-21-384-22k')

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。