Mobilevit X Small

🚀 MobileViT（超小尺寸模型）

MobileViT是一个轻量级的图像分类模型，它结合了卷积网络和Transformer的优势，在低延迟的情况下实现高效的图像分类。该模型在ImageNet-1k数据集上进行了预训练，可广泛应用于各类图像分类任务。

🚀 快速开始

MobileViT是一个轻量级、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将卷积中的局部处理替换为全局处理。与ViT（视觉Transformer）一样，图像数据在由Transformer层处理之前会被转换为扁平化的图像块。之后，这些图像块会被“恢复”成特征图。这使得MobileViT模块可以放置在CNN内部的任何位置，并且不需要任何位置嵌入。

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

以下是如何使用该模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例：

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

• 轻量级设计：结合MobileNetV2风格层与Transformer全局处理模块，降低模型复杂度和延迟。
• 灵活架构：MobileViT模块可放置在CNN任意位置，无需位置嵌入。
• 多尺度处理：训练时使用多尺度采样，学习不同尺度的图像特征。

📚 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将卷积中的局部处理替换为全局处理。与ViT（视觉Transformer）一样，图像数据在由Transformer层处理之前会被转换为扁平化的图像块。之后，这些图像块会被“恢复”成特征图。这使得MobileViT模块可以放置在CNN内部的任何位置，并且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，以寻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，该数据集包含100万张图像和1000个类别。

训练过程

预处理

训练仅需要基本的数据增强，即随机裁剪和水平翻转。

为了在不需要微调的情况下学习多尺度表示，训练期间使用了多尺度采样器，图像大小从以下范围随机采样：(160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320)。

在推理时，图像会被调整大小/重新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。

免责声明

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。