Vision Transformer (относительное положение)

Категория: ViT · Код: timm/models/vision_transformer_relpos.py · Архитектуры: 14 · Предобученные веса: 9 (9 с результатами на ImageNet-1k)

Vision Transformers, использующие относительные смещения позиций вместо абсолютных позиционных эмбеддингов. Строка документации модуля помечает эти модели как экспериментальные.

Статьи

• Изображение стоит 16x16 слов: трансформеры для распознавания изображений в масштабе
• Swin Transformer V2: масштабирование ёмкости и разрешения

Использование

См. раздел Быстрый старт для загрузки предобученных весов, предобработки изображений и дообучения, а также раздел Извлечение признаков для использования моделей в качестве базовых архитектур.

>>> import timm
>>> model = timm.create_model('vit_relpos_small_patch16_224.sw_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Поддержка Model API

✓ поддерживается, ✓ (квадрат) работает только для квадратных размеров, ✗ не поддерживается, – не требуется (модель уже принимает входные данные любого размера). Проверено путём запуска каждой функции на случайно инициализированной модели (VisionTransformerRelPos с vit_srelpos_small_patch16_224 при размере 224); ожидается, что другие архитектуры того же класса будут вести себя аналогично. Подробности см. на странице Model API.

Архитектуры

GMACs и количество параметров указаны для размера входных данных и классификатора по умолчанию для каждой архитектуры, согласно результатам бенчмарков.

Предобученные веса

Top-1 — это точность на валидационном наборе ImageNet-1k из results-imagenet.csv для указанного размера оценки, - если для весов нет результата ImageNet-1k (например, веса для предобучения или изображения-текст). Classes — размер предобученного классификатора, none для весов без классификатора.