Mobilevit Small

🚀 MobileViT（小型模型）

MobileViT是一个轻量级的视觉变换器模型，在ImageNet - 1k数据集上预训练，可用于图像分类任务，具有低延迟、无需位置嵌入等优势。

🚀 快速开始

你可以使用这个预训练的MobileViT模型进行图像分类。以下是使用该模型将COCO 2017数据集中的图像分类为1000个ImageNet类之一的示例代码：

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('Matthijs/mobilevit-small')
model = MobileViTForImageClassification.from_pretrained('Matthijs/mobilevit-small')

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

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

# 模型预测1000个ImageNet类之一
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

• 轻量级与低延迟：MobileViT是一种轻量级、低延迟的卷积神经网络。
• 结合卷积与Transformer：它将MobileNetV2风格的层与新的模块相结合，用Transformer的全局处理替代卷积中的局部处理。
• 无需位置嵌入：与传统的Vision Transformer不同，MobileViT不需要任何位置嵌入。
• 灵活放置：MobileViT模块可以放置在CNN中的任何位置。

📚 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的全局处理替代卷积中的局部处理。与ViT（Vision 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。然后，这些图像块会被“反扁平化”回特征图。这使得MobileViT模块可以放置在CNN中的任何位置，并且不需要任何位置嵌入。

预期用途与限制

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数据集上进行了预训练，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。 为了在不进行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(160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320)中随机采样。 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数据集上从头开始训练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。同时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，此模型卡片由Hugging Face团队编写。