Segment Anything ViT

Categoría: ViT · Código: timm/models/vision_transformer_sam.py · Arquitecturas: 4 · Pesos preentrenados: 3 (0 con resultados en ImageNet-1k)

El codificador de imágenes ViT del Segment Anything Model (SAM), un backbone ViT simple con bloques de atención con ventana y atención global y embeddings de posición relativos, como en ViTDet.

Papers

• Explorando columnas básicas de Vision Transformer para la detección de objetos
• Segment Anything
• Una imagen vale 16x16 palabras: Transformers para el reconocimiento de imágenes a gran escala

Uso

Consulte la Introducción rápida para cargar pesos preentrenados, preprocesar imágenes y realizar el ajuste fino, y Extracción de características para usar los modelos como columnas verticales.

>>> import timm
>>> model = timm.create_model('samvit_base_patch16.sa1b', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Soporte de la API de modelos

✓ 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 (VisionTransformerSAM con samvit_base_patch16_224 en 224); se espera que otras arquitecturas de la misma clase se comporten de la misma manera. Consulte la página API del modelo para más detalles.

Arquitecturas

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.

Pesos preentrenados

Top-1 es la precisión de validación en ImageNet-1k desde 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.