Eva02 Large Patch14 224.mim M38m

🚀 eva02_large_patch14_224.mim_m38m模型卡片

這是一個EVA02特徵/表徵模型。由論文作者使用掩碼圖像建模（以EVA - CLIP作為MIM教師）在Merged - 38M（IN - 22K、CC12M、CC3M、COCO（訓練集）、ADE20K（訓練集）、Object365和OpenImages）上進行預訓練。

EVA - 02模型是帶有均值池化、SwiGLU、旋轉位置嵌入（ROPE）以及在MLP（針對Base和Large版本）中額外添加層歸一化（LN）的視覺變換器。

注意：為了與其他模型保持一致，timm的檢查點採用float32格式。在某些情況下，原始檢查點採用float16或bfloat16格式，如果有需要，請查看原始版本。

🚀 快速開始

本模型可用於圖像分類和圖像特徵提取等任務，以下是詳細的使用步驟和示例代碼。

✨ 主要特性

• 基於EVA02架構，在多種大規模數據集上進行預訓練，具有強大的圖像特徵提取能力。
• 採用掩碼圖像建模（MIM）技術，以EVA - CLIP作為教師模型，提升模型性能。
• 模型使用了均值池化、SwiGLU、旋轉位置嵌入（ROPE）等先進技術。

📚 詳細文檔

模型詳情

模型使用

💻 使用示例

基礎用法 - 圖像分類

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('eva02_large_patch14_224.mim_m38m', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

高級用法 - 圖像嵌入

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'eva02_large_patch14_224.mim_m38m',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 257, 1024) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

模型比較

你可以在timm 模型結果中查看本模型的數據集和運行時指標。

引用

如果您使用了本模型，請引用以下論文：

@article{EVA02,
  title={EVA - 02: A Visual Representation for Neon Genesis},
  author={Fang, Yuxin and Sun, Quan and Wang, Xinggang and Huang, Tiejun and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.11331},
  year={2023}
}

@article{EVA - CLIP,
  title={EVA - 02: A Visual Representation for Neon Genesis},
  author={Sun, Quan and Fang, Yuxin and Wu, Ledell and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.15389},
  year={2023}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

📄 許可證

本項目採用MIT許可證。