# EfficientFormer

**Categoría:** Efficient/Mobile · **Código:** [`timm/models/efficientformer.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/efficientformer.py) · **Arquitecturas:** 3 · **Pesos preentrenados:** 3 (3 con resultados en ImageNet-1k)

EfficientFormer es un vision transformer diseñado para la latencia en dispositivos móviles, con bloques basados en pooling sobre mapas de características 4D en las primeras etapas y bloques de autoatención multi-cabeza en la última etapa.

## Papers

* [EfficientFormer: Vision Transformers a la velocidad de MobileNet](https://arxiv.org/abs/2206.01191)

## Uso

Consulte la [Introducción rápida](../quickstart) para cargar pesos preentrenados, preprocesar imágenes y realizar el ajuste fino, y [Extracción de características](../feature_extraction) para usar los modelos como columnas verticales.

```py
>>> import timm
>>> model = timm.create_model('efficientformer_l3.snap_dist_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Soporte de la API de modelos

| Característica | `EfficientFormer` |
|---|---|
| [mapas de características de `features_only=True`](../model_api#intermediate-features) | ✓ (pasos 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Cualquier tamaño de entrada, no se necesitan cambios](../model_api#input-size) | ✗ |
| [`set_input_size()`](../model_api#input-size) | ✗ |
| [`dynamic_img_size=True`](../model_api#input-size) | ✗ |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✓ |
| [Decaimiento del LR por capa (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ compatible, ✓ (cuadrado) funciona solo con tamaños cuadrados, ✗ no compatible, – no necesario (el modelo ya acepta cualquier tamaño de entrada). Verificado ejecutando cada función en un modelo inicializado aleatoriamente (`EfficientFormer` con `efficientformer_l1` en 224); se espera que otras arquitecturas de la misma clase se comporten de la misma manera. Consulte la página [Model API](../model_api) para más detalles.

## Arquitecturas

| Arquitectura | Parámetros (M) | GMACs | Tamaño de entrada | Pesos preentrenados |
|---|---:|---:|---:|---:|
| `efficientformer_l1` | 12.29 | 1.30 | 224 | 1 |
| `efficientformer_l3` | 31.41 | 3.93 | 224 | 1 |
| `efficientformer_l7` | 82.23 | 10.17 | 224 | 1 |

Los GMAC y el número de parámetros corresponden al tamaño de entrada y al clasificador predeterminados de cada arquitectura, según los [resultados de las pruebas de rendimiento](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Pesos preentrenados

Top-1 es la precisión de validación en ImageNet-1k desde [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) en el tamaño de evaluación indicado, - si el peso no tiene un resultado de ImageNet-1k (p. ej. pesos de preentrenamiento o de imagen-texto). Classes es el tamaño del clasificador preentrenado, ninguno para pesos sin uno.

| Peso | Tamaño de entrada | Top-1 (%) | Tamaño de evaluación | Clases | Licencia | Hub |
|---|---:|---:|---:|---:|---|---|
| `efficientformer_l1.snap_dist_in1k` | 224 | 80.502 | 224 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/efficientformer_l1.snap_dist_in1k) |
| `efficientformer_l3.snap_dist_in1k` | 224 | 82.562 | 224 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/efficientformer_l3.snap_dist_in1k) |
| `efficientformer_l7.snap_dist_in1k` | 224 | 83.396 | 224 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/efficientformer_l7.snap_dist_in1k) |

## Cita

```bibtex
@article{li2022efficientformer,
  title={EfficientFormer: Vision Transformers at MobileNet Speed},
  author={Li, Yanyu and Yuan, Geng and Wen, Yang and Hu, Eric and Evangelidis, Georgios and Tulyakov,
   Sergey and Wang, Yanzhi and Ren, Jian},
  journal={arXiv preprint arXiv:2206.01191},
  year={2022}
}
```