Cvt 13 384

🚀 卷積視覺變換器 (CvT)

卷積視覺變換器（CvT）是一種將卷積引入視覺變換器的模型。CvT - 13 模型在 ImageNet - 1k 數據集上以 384x384 的分辨率進行了預訓練，能夠有效對圖像進行分類，解決圖像識別領域的問題。

🚀 快速開始

CvT - 13 模型在 ImageNet - 1k 數據集上以 384x384 的分辨率進行了預訓練。它由 Wu 等人在論文 CvT: Introducing Convolutions to Vision Transformers 中提出，並首次在 此倉庫 中發佈。

免責聲明：發佈 CvT 的團隊未為此模型撰寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

💻 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 AutoFeatureExtractor, CvtForImageClassification
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 = AutoFeatureExtractor.from_pretrained('microsoft/cvt-13-384')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13-384')

inputs = feature_extractor(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])

📄 許可證

本項目採用 Apache - 2.0 許可證。

📋 信息表格