🚀 Swin Transformer v2(基礎尺寸模型)
Swin Transformer v2是一個在圖像識別領域表現出色的模型。它基於ImageNet - 1k數據集,以256x256分辨率進行預訓練,能有效處理圖像分類等視覺任務,為相關研究和應用提供了強大支持。
🚀 快速開始
Swin Transformer v2基礎尺寸模型在ImageNet - 1k數據集上以256x256分辨率進行了預訓練。該模型由Liu等人在論文 Swin Transformer V2: Scaling Up Capacity and Resolution 中提出,並首次在 [此倉庫](https://github.com/microsoft/Swin - Transformer) 發佈。
需要說明的是,發佈Swin Transformer v2的團隊並未為此模型撰寫模型卡片,本模型卡片由Hugging Face團隊編寫。
✨ 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。這使得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只能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點改進:
- 採用殘差後歸一化方法結合餘弦注意力,提高訓練穩定性;
- 運用對數間隔連續位置偏置方法,有效將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;
- 引入自監督預訓練方法SimMIM,減少對大量標記圖像的需求。

來源
預期用途和侷限性
可以使用該原始模型進行圖像分類。你可以訪問 模型中心 查找針對你感興趣的任務進行微調的版本。
💻 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1000個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-window8-256")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-base-patch4-window8-256")
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
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。
📚 詳細文檔
BibTeX引用和引用信息
@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。
屬性 |
詳情 |
模型類型 |
圖像分類模型 |
訓練數據 |
ImageNet - 1k |
標籤 |
視覺、圖像分類 |