许可证：其他 许可证名称：nvclv1 许可证链接：LICENSE 数据集：

• ILSVRC/imagenet-1k 任务标签：图像特征提取

MambaVision：混合型曼巴-Transformer视觉骨干网络

模型概述

我们开发了首个结合曼巴(Mamba)与Transformer优势的计算机视觉混合模型。核心创新包括重构曼巴公式以增强其视觉特征建模效率，并通过全面消融实验验证了视觉Transformer(ViT)与曼巴架构融合的可行性。研究表明，在曼巴架构末端加入自注意力模块能显著提升长程空间依赖的建模能力。基于此，我们推出具有分层架构的MambaVision系列模型，满足多样化设计需求。

性能表现

MambaVision在Top-1准确率与吞吐量方面实现了新的SOTA帕累托前沿。

使用方法

建议通过以下命令安装依赖环境：

pip install mambavision

每个模型均提供图像分类和特征提取两种变体，可通过单行代码调用。

图像分类示例

以下演示如何使用MambaVision进行图像分类（以COCO数据集验证集图片为例）：

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-S-1K", trust_remote_code=True)
model.cuda().eval()

url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)  # 支持任意输入分辨率

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

输出结果为：棕熊（brown bear, bruin, Ursus arctos）

特征提取示例

MambaVision可作为通用特征提取器，支持获取四阶段层级特征及最终平均池化特征：

from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-S-1K", trust_remote_code=True)
model.cuda().eval()

url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 224, 224)

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()
out_avg_pool, features = model(inputs)
print("平均池化特征尺寸:", out_avg_pool.size())  # torch.Size([1, 640])
print("特征阶段数:", len(features))  # 4阶段
print("第一阶段特征尺寸:", features[0].size())  # torch.Size([1, 80, 56, 56])
print("第四阶段特征尺寸:", features[3].size())  # torch.Size([1, 640, 7, 7])

许可证

NVIDIA受限源代码许可证