Swinv2 Small Patch4 Window16 256

🚀 Swin Transformer v2（小型模型）

Swin Transformer v2 是在 ImageNet - 1k 數據集上以 256x256 分辨率預訓練的模型。它由 Liu 等人在論文 Swin Transformer V2: Scaling Up Capacity and Resolution 中提出，並首次在 [此倉庫](https://github.com/microsoft/Swin - Transformer) 發佈。

⚠️ 重要提示 本模型的原團隊並未編寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

📚 詳細文檔

模型描述

Swin Transformer 是一種視覺變換器（Vision 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，之前的視覺變換器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. 結合餘弦注意力的殘差後歸一化（residual - post - norm）方法，以提高訓練穩定性；
2. 對數間隔連續位置偏置（log - spaced continuous position bias）方法，以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. 自監督預訓練方法 SimMIM，以減少對大量標記圖像的需求。

來源

預期用途與限制

你可以使用原始模型進行圖像分類。請查看 模型中心 以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

以下是如何使用此模型將 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-small-patch4-window16-256")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-small-patch4-window16-256")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
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。

BibTeX 引用

@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。