Cvt 13 384 22k

🚀 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 - 22k 上進行預訓練，並在分辨率為 384x384 的 ImageNet - 1k 上進行微調。該模型能夠有效地對圖像進行分類，解決了傳統視覺變換器在某些場景下的侷限性，為圖像分類任務提供了更強大的工具。

🚀 快速開始

CvT - 13 模型在 ImageNet - 22k 上預訓練，並在分辨率 384x384 的 ImageNet - 1k 上微調。它由 Wu 等人在論文 CvT: Introducing Convolutions to Vision Transformers 中提出，並首次在 此倉庫 發佈。

免責聲明：發佈 CvT 的團隊並未為此模型編寫模型卡片，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-13-384-22k')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13-384-22k')

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

本模型採用 Apache - 2.0 許可證。

⚠️ 重要提示

發佈 CvT 的團隊並未為此模型編寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

以下是一些示例圖片：

• 老虎
• 茶壺
• 宮殿