Mambavision L3 256 21K

🚀 MambaVision: ハイブリッドMamba-Transformerビジョンバックボーン

このモデルは、MambaとTransformerの強みを生かしたコンピュータビジョン用のハイブリッドモデルです。視覚特徴の効率的なモデリング能力を向上させ、長距離の空間依存関係を捉える能力を高めています。

🔍 モデル情報

📚 論文情報

MambaVision: A Hybrid Mamba-Transformer Vision Backbone

💻 コードリポジトリ

https://github.com/NVlabs/MambaVision

🚀 クイックスタート

✨ 主な機能

我々は、コンピュータビジョン用の最初のハイブリッドモデルを開発しました。このモデルは、MambaとTransformerの強みを活用しています。具体的には、Mambaの定式化を再設計して、視覚特徴の効率的なモデリング能力を向上させました。また、Vision Transformers (ViT) とMambaの統合の実現可能性について包括的なアブレーション研究を行いました。結果として、Mambaアーキテクチャの最終層にいくつかの自己注意ブロックを備えることで、長距離の空間依存関係を捉えるモデリング能力が大幅に向上することがわかりました。これらの知見に基づいて、様々な設計基準を満たす階層型アーキテクチャのMambaVisionモデルファミリーを導入しました。

📦 インストール

MambaVisionの使用に必要なパッケージをインストールするには、以下のコマンドを実行してください。

pip install mambavision

💻 使用例

基本的な使用法

画像分類

以下のコードは、MambaVisionを使用して画像分類を行う例です。

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-L3-256-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 256, 256)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()
# model inference
outputs = model(inputs)
logits = outputs['logits'] 
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

特徴抽出

MambaVisionは、汎用的な特徴抽出器としても使用できます。以下のコードは、各ステージの出力と最終的な平均プーリングされた特徴を抽出する例です。

from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-L3-256-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 256, 256)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 1568])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 196, 128, 128])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 1568, 16, 16])

📚 ドキュメント

モデル性能

MambaVision-L3-256-21Kは、ImageNet-21Kデータセットで事前学習され、ImageNet-1Kで微調整されています。事前学習と微調整はどちらも256 x 256の解像度で行われています。

また、MambaVisionモデルは、Top-1精度とスループットの面で新しいSOTAパレートフロントを達成し、強力な性能を示しています。

📄 ライセンス

このモデルは、NVIDIA Source Code License-NC の下で提供されています。