Mobilevit Small

🚀 MobileViT（小型模型）

MobileViT是一個輕量級的視覺變換器模型，在ImageNet - 1k數據集上預訓練，可用於圖像分類任務，具有低延遲、無需位置嵌入等優勢。

🚀 快速開始

你可以使用這個預訓練的MobileViT模型進行圖像分類。以下是使用該模型將COCO 2017數據集中的圖像分類為1000個ImageNet類之一的示例代碼：

from transformers import MobileViTFeatureExtractor, MobileViTForImageClassification
from PIL import Image
import requests

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

feature_extractor = MobileViTFeatureExtractor.from_pretrained('Matthijs/mobilevit-small')
model = MobileViTForImageClassification.from_pretrained('Matthijs/mobilevit-small')

inputs = feature_extractor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# 模型預測1000個ImageNet類之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特徵提取器和模型都支持PyTorch。

✨ 主要特性

• 輕量級與低延遲：MobileViT是一種輕量級、低延遲的卷積神經網絡。
• 結合卷積與Transformer：它將MobileNetV2風格的層與新的模塊相結合，用Transformer的全局處理替代卷積中的局部處理。
• 無需位置嵌入：與傳統的Vision Transformer不同，MobileViT不需要任何位置嵌入。
• 靈活放置：MobileViT模塊可以放置在CNN中的任何位置。

📚 詳細文檔

模型描述

MobileViT是一種輕量級、低延遲的卷積神經網絡，它將MobileNetV2風格的層與一個新的模塊相結合，該模塊使用Transformer的全局處理替代卷積中的局部處理。與ViT（Vision Transformer）一樣，圖像數據在由Transformer層處理之前會被轉換為扁平化的圖像塊。然後，這些圖像塊會被“反扁平化”回特徵圖。這使得MobileViT模塊可以放置在CNN中的任何位置，並且不需要任何位置嵌入。

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，以尋找針對你感興趣的任務進行微調的版本。

訓練數據

MobileViT模型在ImageNet - 1k數據集上進行了預訓練，該數據集包含100萬張圖像和1000個類別。

訓練過程

預處理

訓練僅需要基本的數據增強，即隨機裁剪和水平翻轉。 為了在不進行微調的情況下學習多尺度表示，訓練期間使用了多尺度採樣器，圖像大小從(160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320)中隨機採樣。 在推理時，圖像會被調整大小/重新縮放為相同的分辨率(288x288)，並在256x256處進行中心裁剪。 像素被歸一化到[0, 1]範圍。圖像預期為BGR像素順序，而不是RGB。

預訓練

MobileViT網絡在8個NVIDIA GPU上的ImageNet - 1k數據集上從頭開始訓練300個epoch，有效批量大小為1024，學習率預熱3000步，然後進行餘弦退火。同時使用了標籤平滑交叉熵損失和L2權重衰減。訓練分辨率從160x160到320x320不等，使用多尺度採樣。

評估結果

BibTeX引用和引用信息

@inproceedings{vision-transformer,
title = {MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer},
author = {Sachin Mehta and Mohammad Rastegari},
year = {2022},
URL = {https://arxiv.org/abs/2110.02178}
}

📄 許可證

該模型使用的許可證是Apple示例代碼許可證。

⚠️ 重要提示

發佈MobileViT的團隊沒有為該模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。