Swinv2 Base Patch4 Window12 192 22k

🚀 Swin Transformer v2（微型模型）

Swin Transformer v2是在分辨率為192x192的ImageNet - 21k數據集上預訓練的模型。它由Liu等人在論文Swin Transformer V2: Scaling Up Capacity and Resolution中提出，並首次在this repository中發佈。

需要說明的是，發佈Swin Transformer v2的團隊並未為該模型撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

🚀 快速開始

你可以使用該原始模型進行圖像分類。可查看模型中心，以尋找針對你感興趣任務的微調版本。

✨ 主要特性

模型描述

Swin Transformer是一種視覺Transformer。它通過在更深的層中合併圖像塊（灰色部分所示）來構建分層特徵圖，並且由於僅在每個局部窗口（紅色部分所示）內計算自注意力，因此對輸入圖像大小具有線性計算複雜度。因此，它可以作為圖像分類和密集識別任務的通用骨幹網絡。相比之下，之前的視覺Transformer僅生成單一低分辨率的特徵圖，並且由於全局計算自注意力，對輸入圖像大小具有二次計算複雜度。

Swin Transformer v2主要有3項改進：

1. 一種殘差後歸一化方法與餘弦注意力相結合，以提高訓練穩定性；
2. 一種對數間隔連續位置偏置方法，可有效地將使用低分辨率圖像預訓練的模型遷移到高分辨率輸入的下游任務；
3. 一種自監督預訓練方法SimMIM，以減少對大量標記圖像的需求。

來源

💻 使用示例

基礎用法

以下是如何使用該模型將COCO 2017數據集中的圖像分類為21k ImageNet類別之一的示例：

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("microsoft/swinv2-base-patch4-window12-192-22k")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-base-patch4-window12-192-22k")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型預測21k ImageNet類別之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

更多代碼示例，請參考文檔。

🔧 技術細節

BibTeX引用及引用信息

@article{DBLP:journals/corr/abs-2111-09883,
  author    = {Ze Liu and
               Han Hu and
               Yutong Lin and
               Zhuliang Yao and
               Zhenda Xie and
               Yixuan Wei and
               Jia Ning and
               Yue Cao and
               Zheng Zhang and
               Li Dong and
               Furu Wei and
               Baining Guo},
  title     = {Swin Transformer {V2:} Scaling Up Capacity and Resolution},
  journal   = {CoRR},
  volume    = {abs/2111.09883},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.09883},
  eprinttype = {arXiv},
  eprint    = {2111.09883},
  timestamp = {Thu, 02 Dec 2021 15:54:22 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-09883.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本項目採用Apache - 2.0許可證。