Mambavision L 1K

🚀 MambaVision：混合Mamba-Transformer视觉骨干网络

MambaVision是首个用于计算机视觉的混合模型，它结合了Mamba和Transformer的优势，在图像分类任务中表现出色。

🚀 快速开始

安装依赖

强烈建议通过运行以下命令来安装MambaVision的依赖项：

pip install mambavision

✨ 主要特性

• 创新混合架构：开发了首个结合Mamba和Transformer优势的计算机视觉混合模型。
• 优化Mamba公式：重新设计Mamba公式，增强其对视觉特征的高效建模能力。
• 综合消融研究：全面研究了将Vision Transformers (ViT) 与Mamba集成的可行性。
• 提升长程依赖建模：在Mamba架构的最后几层配备多个自注意力块，显著提高捕捉长程空间依赖的建模能力。
• 分层架构模型家族：引入具有分层架构的MambaVision模型家族，满足各种设计标准。

📊 模型性能

MambaVision在Top-1准确率和吞吐量方面达到了新的SOTA帕累托前沿，展现出强大的性能。

📦 安装指南

通过以下命令安装MambaVision：

pip install mambavision

💻 使用示例

基础用法

图像分类

以下示例展示了如何使用MambaVision进行图像分类。以COCO数据集验证集中的以下图像作为输入：

使用以下代码片段进行图像分类：

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

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-L-1K", 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, 224, 224)  # 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])

预测标签为 brown bear, bruin, Ursus arctos.

特征提取

MambaVision还可用作通用特征提取器。可以提取模型每个阶段（4个阶段）的输出以及最终的平均池化特征。

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

model = AutoModel.from_pretrained("nvidia/MambaVision-L-1K", 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, 224, 224)  # 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, 640])
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, 80, 56, 56])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 640, 7, 7])

📚 详细文档

模型概述

我们开发了首个用于计算机视觉的混合模型，该模型利用了Mamba和Transformer的优势。具体而言，我们的核心贡献包括重新设计Mamba公式，以增强其对视觉特征的高效建模能力。此外，我们对将Vision Transformers (ViT) 与Mamba集成的可行性进行了全面的消融研究。结果表明，在Mamba架构的最后几层配备多个自注意力块，可大大提高捕捉长程空间依赖的建模能力。基于这些发现，我们引入了具有分层架构的MambaVision模型家族，以满足各种设计标准。

📄 许可证

本项目遵循 NVIDIA Source Code License-NC 许可协议。

模型信息

相关论文

MambaVision: A Hybrid Mamba-Transformer Vision Backbone