Mobilevit Small

🚀 MobileViT（小型模型）

MobileViT是一个轻量级、低延迟的卷积神经网络，结合了MobileNetV2风格的层与新的模块，使用Transformer将卷积中的局部处理替换为全局处理，可用于图像分类任务。

🚀 快速开始

你可以使用原始模型进行图像分类。查看模型中心，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-small")
model = MobileViTForImageClassification.from_pretrained("apple/mobilevit-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、低延迟的卷积神经网络，结合了MobileNetV2风格的层与新模块。
• 使用Transformer将卷积中的局部处理替换为全局处理。
• 图像数据在经过Transformer层处理前会转换为扁平的块，处理后再恢复为特征图。
• 无需任何位置嵌入。

📚 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，图像数据在经过Transformer层处理之前会被转换为扁平的块。之后，这些块会被“解扁平”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。

预期用途与限制

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

📦 安装指南

文档未提及安装步骤，故跳过该章节。

💻 使用示例

基础用法

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

高级用法

文档未提及高级用法相关代码，故跳过该部分。

🔧 技术细节

训练数据

MobileViT模型在ImageNet-1k上进行了预训练，该数据集由100万张图像和1000个类别组成。

训练过程

预处理

训练仅需要基本的数据增强，即随机调整大小裁剪和水平翻转。

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/重新缩放至相同的分辨率（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，而非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，随后进行余弦退火。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

本项目使用的许可证是Apple示例代码许可证。