🚀 MambaVision：混合Mamba-Transformer視覺骨幹網絡

MambaVision是首個結合Mamba和Transformer優勢的計算機視覺混合模型。它重新設計了Mamba公式，增強了視覺特徵建模能力，還通過實驗證明在Mamba架構最後幾層添加自注意力塊可提升長程空間依賴建模能力。該模型家族採用分層架構，能滿足不同設計需求。

🚀 快速開始

安裝依賴

強烈建議通過運行以下命令安裝MambaVision的依賴項：

pip install mambavision

代碼倉庫：https://github.com/NVlabs/MambaVision

✨ 主要特性

• 開發了首個結合Mamba和Transformer優勢的計算機視覺混合模型。
• 重新設計Mamba公式，增強視覺特徵高效建模能力。
• 進行全面消融實驗，驗證在Mamba架構最後幾層添加自注意力塊可提升長程空間依賴建模能力。
• 引入具有分層架構的MambaVision模型家族，滿足不同設計標準。

📦 安裝指南

通過以下命令安裝MambaVision：

pip install mambavision

💻 使用示例

基礎用法

圖像分類

以下示例展示瞭如何使用MambaVision進行圖像分類。給定來自COCO數據集驗證集的圖像作為輸入：

可以使用以下代碼片段進行圖像分類： ```Python from transformers import AutoModelForImageClassification from PIL import Image from timm.data.transforms_factory import create_transform import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-B-21K", trust_remote_code=True)

eval mode for inference

model.cuda().eval()

prepare image for the model

url = 'http://images.cocodataset.org/val2017/000000020247.jpg' image = Image.open(requests.get(url, stream=True).raw) input_resolution = (3, 224, 224) # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution, is_training=False, mean=model.config.mean, std=model.config.std, crop_mode=model.config.crop_mode, crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()

model inference

outputs = model(inputs) logits = outputs['logits'] predicted_class_idx = logits.argmax(-1).item() print("Predicted class:", model.config.id2label[predicted_class_idx])

預測的標籤是 ```brown bear, bruin, Ursus arctos.```

#### 特徵提取
MambaVision還可作為通用特徵提取器。具體來說，可以提取模型每個階段（4個階段）的輸出以及最終的平均池化特徵。以下代碼片段可用於特徵提取：
```Python
from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-B-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_pct,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 640])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 80, 56, 56])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 640, 7, 7])

📚 詳細文檔

模型概述

我們開發了首個用於計算機視覺的混合模型，該模型充分利用了Mamba和Transformer的優勢。具體而言，我們的核心貢獻包括重新設計Mamba公式，以增強其對視覺特徵進行高效建模的能力。此外，我們對將視覺Transformer（ViT）與Mamba集成的可行性進行了全面的消融研究。我們的研究結果表明，在Mamba架構的最後幾層配備幾個自注意力塊，可以極大地提高捕捉長程空間依賴關係的建模能力。基於這些發現，我們引入了具有分層架構的MambaVision模型家族，以滿足各種設計標準。

模型性能

MambaVision-B-21K在ImageNet-21K數據集上進行預訓練，並在ImageNet-1K上進行微調。

名稱	準確率@1(%)	準確率@5(%)	參數數量(M)	浮點運算數(G)	分辨率
MambaVision-B-21K	84.9	97.5	97.7	15.0	224x224

此外，MambaVision模型在Top-1準確率和吞吐量方面達到了新的SOTA帕累託前沿，表現出色。

📄 許可證

本項目採用NVIDIA源代碼許可證 - 非商業用途。