Swin Base Patch4 Window7 224

🚀 Swin Transformer（基礎サイズモデル）

Swin Transformerは、解像度224x224のImageNet - 1kデータセットで学習されたモデルです。画像分類などの視覚タスクに利用でき、関連分野の研究やアプリケーションに強力なサポートを提供します。

🚀 クイックスタート

Swin Transformerモデルは画像分類タスクに使用できます。モデルセンターで、関心のあるタスクの微調整バージョンを見つけることができます。以下は、COCO 2017データセットの画像を1000のImageNetカテゴリの1つに分類するためのモデルの使用例です。

from transformers import AutoFeatureExtractor, SwinForImageClassification
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/swin-base-patch4-window7-224")
model = SwinForImageClassification.from_pretrained("microsoft/swin-base-patch4-window7-224")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# モデルは1000のImageNetカテゴリの1つを予測する
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

より多くのコード例については、ドキュメントを参照してください。

✨ 主な機能

Swin Transformerは視覚Transformerの一種です。より深い層で画像パッチ（灰色部分）を結合することで階層的な特徴マップを構築し、各局所ウィンドウ（赤色部分）内でのみ自己注意を計算するため、入力画像サイズに対して線形の計算量を持ちます。これにより、画像分類や密集認識タスクの汎用バックボーンネットワークとして使用できます。これに対し、以前の視覚Transformerは単一の低解像度の特徴マップしか生成できず、グローバルな自己注意の計算により、入力画像サイズに対して2次の計算量を持っていました。

出典

📚 ドキュメント

想定用途と制限

元のモデルを使用して画像分類を行うことができます。モデルセンターで、関心のあるタスクの微調整バージョンを見つけることができます。

BibTeX引用

@article{DBLP:journals/corr/abs-2103-14030,
  author    = {Ze Liu and
               Yutong Lin and
               Yue Cao and
               Han Hu and
               Yixuan Wei and
               Zheng Zhang and
               Stephen Lin and
               Baining Guo},
  title     = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
  journal   = {CoRR},
  volume    = {abs/2103.14030},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.14030},
  eprinttype = {arXiv},
  eprint    = {2103.14030},
  timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-14030.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 ライセンス

このプロジェクトはApache - 2.0ライセンスの下で提供されています。