Mobilevit Xx Small

🚀 MobileViT (超超小型模型)

MobileViT 是一个轻量级的图像分类模型，结合了 MobileNetV2 风格的层和基于 Transformer 的全局处理模块，可用于高效的图像分类任务。

🚀 快速开始

你可以使用以下代码将 COCO 2017 数据集中的图像分类为 1000 个 ImageNet 类别之一：

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("apple/mobilevit-xx-small")
model = MobileViTForImageClassification.from_pretrained("apple/mobilevit-xx-small")

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

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

# 模型预测 1000 个 ImageNet 类别之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型都支持 PyTorch。

✨ 主要特性

• MobileViT 是一种轻量级、低延迟的卷积神经网络，它将 MobileNetV2 风格的层与一个新的模块相结合，该模块使用 Transformer 以全局处理替代卷积中的局部处理。
• 与 ViT（视觉 Transformer）一样，图像数据在由 Transformer 层处理之前会转换为扁平化的图像块，之后这些图像块会“反扁平化”回特征图，这使得 MobileViT 模块可以放置在 CNN 内的任何位置。
• MobileViT 不需要任何位置嵌入。

📚 详细文档

模型描述

MobileViT 是一种轻量级、低延迟的卷积神经网络，它将 MobileNetV2 风格的层与一个新的模块相结合，该模块使用 Transformer 以全局处理替代卷积中的局部处理。与 ViT（视觉 Transformer）一样，图像数据在由 Transformer 层处理之前会转换为扁平化的图像块，之后这些图像块会“反扁平化”回特征图。这使得 MobileViT 模块可以放置在 CNN 内的任何位置。MobileViT 不需要任何位置嵌入。

预期用途和限制

你可以使用原始模型进行图像分类。请查看模型中心，以查找针对你感兴趣的任务进行微调的版本。

训练数据

MobileViT 模型在 ImageNet-1k 上进行了预训练，这是一个由 100 万张图像和 1000 个类别组成的数据集。

训练过程

预处理

训练只需要基本的数据增强，即随机裁剪和水平翻转。 为了在不进行微调的情况下学习多尺度表示，在训练期间使用了多尺度采样器，图像大小从 (160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320) 中随机采样。 在推理时，图像被调整/缩放为相同的分辨率 (288x288)，并在 256x256 处进行中心裁剪。 像素被归一化到 [0, 1] 范围。图像预期为 BGR 像素顺序，而不是 RGB。

预训练

MobileViT 网络在 8 个 NVIDIA GPU 上的 ImageNet-1k 上从头开始训练 300 个 epoch，有效批量大小为 1024，学习率预热 3000 步，然后进行余弦退火。还使用了标签平滑交叉熵损失和 L2 权重衰减。训练分辨率从 160x160 到 320x320 不等，使用多尺度采样。

评估结果

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}
}

📄 许可证

该模型使用的许可证是 Apple 示例代码许可证。

⚠️ 重要提示

发布 MobileViT 的团队没有为该模型编写模型卡片，因此此模型卡片由 Hugging Face 团队编写。