Eva02 Small Patch14 224.mim In22k

🚀 eva02_small_patch14_224.mim_in22k模型卡

这是一个EVA02特征/表示模型，由论文作者使用掩码图像建模（以EVA - CLIP作为MIM教师）在ImageNet - 22k上进行预训练。

EVA - 02模型是带有均值池化、SwiGLU、旋转位置嵌入（ROPE）以及在MLP（针对Base和Large模型）中使用额外LN的视觉变换器。

⚠️ 重要提示

timm检查点为float32格式，以确保与其他模型保持一致。原始检查点在某些情况下为float16或bfloat16格式，若有需要可查看原始版本。

🚀 快速开始

本模型可用于图像分类和特征提取，以下是具体使用示例。

✨ 主要特性

• 基于EVA - 02架构，适用于图像分类和特征提取任务。
• 在ImageNet - 22k上进行预训练，具有良好的泛化能力。
• 使用掩码图像建模，结合EVA - CLIP作为教师模型。

📦 安装指南

使用该模型前，需要安装timm库，可使用以下命令进行安装：

pip install timm

💻 使用示例

基础用法

图像分类

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('eva02_small_patch14_224.mim_in22k', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

图像嵌入

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'eva02_small_patch14_224.mim_in22k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 257, 384) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

📚 详细文档

模型详情

模型对比

可在timm 模型结果中查看该模型的数据集和运行时指标。

📄 许可证

本项目采用MIT许可证。

🔧 技术细节

本模型基于视觉变换器架构，使用了均值池化、SwiGLU、旋转位置嵌入（ROPE）以及在MLP（针对Base和Large模型）中使用额外LN等技术。通过掩码图像建模在ImageNet - 22k上进行预训练，以EVA - CLIP作为MIM教师模型，提升了模型的特征表示能力。

📄 引用

@article{EVA02,
  title={EVA-02: A Visual Representation for Neon Genesis},
  author={Fang, Yuxin and Sun, Quan and Wang, Xinggang and Huang, Tiejun and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.11331},
  year={2023}
}

@article{EVA-CLIP,
  title={EVA-02: A Visual Representation for Neon Genesis},
  author={Sun, Quan and Fang, Yuxin and Wu, Ledell and Wang, Xinlong and Cao, Yue},
  journal={arXiv preprint arXiv:2303.15389},
  year={2023}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}