Cvt 21

🚀 卷积视觉变换器 (CvT)

CvT-21 模型在 ImageNet-1k 数据集上以 224x224 分辨率进行预训练。该模型能够有效结合卷积和视觉变换器的优势，提升图像分类的性能。

🚀 快速开始

CvT-21 模型在 ImageNet-1k 数据集上以 224x224 分辨率进行了预训练。它由 Wu 等人在论文 CvT: Introducing Convolutions to Vision Transformers 中提出，并首次在 此仓库 发布。

免责声明：发布 CvT 的团队并未为此模型撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

💻 使用示例

基础用法

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 AutoFeatureExtractor, CvtForImageClassification
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 = AutoFeatureExtractor.from_pretrained('microsoft/cvt-21')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-21')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

📄 许可证

本项目采用 Apache-2.0 许可证。

⚠️ 重要提示

发布 CvT 的团队并未为此模型撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

以下是一些示例图片：

• 老虎
• 茶壶
• 宫殿