🚀 MambaVision：混合Mamba-Transformer视觉骨干网络

MambaVision是首个结合Mamba和Transformer优势的计算机视觉混合模型，重新设计Mamba公式以高效建模视觉特征，在图像分类任务中表现出色。

🚀 快速开始

安装依赖

我们提供了一个 Docker文件。此外，假设已经安装了最新的 PyTorch 包，可以通过运行以下命令来安装依赖项：

pip install -r requirements.txt

也可以直接运行以下命令安装MambaVision所需的依赖：

pip install mambavision

✨ 主要特性

我们开发了首个用于计算机视觉的混合模型，充分利用了Mamba和Transformer的优势。具体而言，我们的核心贡献包括重新设计Mamba公式，以增强其对视觉特征进行高效建模的能力。此外，我们对将视觉Transformer（ViT）与Mamba集成的可行性进行了全面的消融研究。结果表明，在Mamba架构的最后几层配备几个自注意力块，可以大大提高其捕捉长距离空间依赖关系的建模能力。基于这些发现，我们推出了一系列具有分层架构的MambaVision模型，以满足各种设计标准。

💻 使用示例

基础用法

图像分类

在以下示例中，我们展示了如何使用MambaVision进行图像分类。以 COCO数据集 验证集中的一张图像作为输入：

可以使用以下代码片段进行图像分类： ```python from transformers import AutoModelForImageClassification from PIL import Image from timm.data.transforms_factory import create_transform import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-L3-512-21K", trust_remote_code=True)

eval mode for inference

model.cuda().eval()

prepare image for the model

url = 'http://images.cocodataset.org/val2017/000000020247.jpg' image = Image.open(requests.get(url, stream=True).raw) input_resolution = (3, 512, 512) # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution, is_training=False, mean=model.config.mean, std=model.config.std, crop_mode=model.config.crop_mode, crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()

model inference

outputs = model(inputs) logits = outputs['logits'] predicted_class_idx = logits.argmax(-1).item() print("Predicted class:", model.config.id2label[predicted_class_idx])

预测的标签是 ```brown bear, bruin, Ursus arctos.```

#### 特征提取
MambaVision还可以用作通用特征提取器。具体来说，我们可以提取模型每个阶段（共4个阶段）的输出以及最终的平均池化特征（已展平）。可以使用以下代码片段进行特征提取：
```python
from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-L3-512-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 512, 512)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 1568])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 196, 128, 128])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 1568, 16, 16])

📚 详细文档

模型性能

MambaVision-L3-512-21K在ImageNet-21K数据集上进行预训练，并在512 x 512分辨率的ImageNet-1K数据集上进行微调。

名称	准确率@1(%)	准确率@5(%)	参数数量(M)	浮点运算次数(G)	分辨率
MambaVision-L3-512-21K	88.1	98.6	739.6	489.1	512x512

此外，MambaVision模型在Top-1准确率和吞吐量方面达到了新的SOTA帕累托前沿，表现出色。

预训练模型结果

ImageNet-21K

名称	准确率@1(%)	准确率@5(%)	参数数量(M)	浮点运算次数(G)	分辨率	Hugging Face链接	下载链接
MambaVision-B-21K	84.9	97.5	97.7	15.0	224x224	链接	模型
MambaVision-L-21K	86.1	97.9	227.9	34.9	224x224	链接	模型
MambaVision-L2-512-21K	87.3	98.4	241.5	196.3	512x512	链接	模型
MambaVision-L3-256-21K	87.3	98.3	739.6	122.3	256x256	链接	模型
MambaVision-L3-512-21K	88.1	98.6	739.6	489.1	512x512	链接	模型

ImageNet-1K

名称	准确率@1(%)	准确率@5(%)	吞吐量(图像/秒)	分辨率	参数数量(M)	浮点运算次数(G)	Hugging Face链接	下载链接
MambaVision-T	82.3	96.2	6298	224x224	31.8	4.4	链接	模型
MambaVision-T2	82.7	96.3	5990	224x224	35.1	5.1	链接	模型
MambaVision-S	83.3	96.5	4700	224x224	50.1	7.5	链接	模型
MambaVision-B	84.2	96.9	3670	224x224	97.7	15.0	链接	模型
MambaVision-L	85.0	97.1	2190	224x224	227.9	34.9	链接	模型
MambaVision-L2	85.3	97.2	1021	224x224	241.5	37.5	链接	模型

📄 许可证

英伟达源代码许可协议 - 非商业用途

参考资料

• MambaVision: A Hybrid Mamba-Transformer Vision Backbone
• 项目页面