license: apache-2.0 tags:

• 计算机视觉
• 图像分类 datasets:
• imagenet-1k widget:
• src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg example_title: 老虎
• src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg example_title: 茶壶
• src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg example_title: 宫殿

Swin Transformer v2 (微型版本模型)

该模型是在256x256分辨率下基于ImageNet-1k预训练的Swin Transformer v2模型。由Liu等人在论文《Swin Transformer V2：扩展容量与分辨率》中提出，并首次发布于此代码库。

免责声明：发布Swin Transformer v2的团队未为此模型编写说明卡片，本卡片由Hugging Face团队撰写。

模型描述

Swin Transformer是一种视觉Transformer架构。它通过合并深层图像块（灰色显示）构建分层特征图，并由于仅在每个局部窗口（红色显示）内计算自注意力，具有与输入图像大小成线性关系的计算复杂度。因此可作为图像分类和密集识别任务的通用骨干网络。而先前的视觉Transformer因全局计算自注意力，仅生成单一低分辨率特征图且计算复杂度与输入图像大小成平方关系。

Swin Transformer v2新增三大改进：1) 采用残差后归一化结合余弦注意力提升训练稳定性；2) 使用对数间隔连续位置偏置方法，有效迁移低分辨率预训练模型至高分辨率下游任务；3) 引入自监督预训练方法SimMIM，减少对海量标注图像的依赖。

来源

使用场景与限制

该基础模型可用于图像分类任务。访问模型中心可查找针对特定任务的微调版本。

使用方法

以下示例展示如何使用该模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一：

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("microsoft/swinv2-tiny-patch4-window8-256")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-tiny-patch4-window8-256")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型预测1000个ImageNet类别之一
predicted_class_idx = logits.argmax(-1).item()
print("预测类别:", model.config.id2label[predicted_class_idx])

更多代码示例请参阅文档。

BibTeX引用信息

@article{DBLP:journals/corr/abs-2111-09883,
  author    = {刘泽 and 胡涵 and 林宇彤 and 姚柱良 and 谢振达 and 魏艺轩 and 宁静 and 曹越 and 张政 and 董力 and 韦福如 and 郭百宁},
  title     = {Swin Transformer V2：扩展容量与分辨率},
  journal   = {CoRR},
  volume    = {abs/2111.09883},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.09883},
  eprinttype = {arXiv},
  eprint    = {2111.09883},
  timestamp = {2021-12-02T15:54:22+01:00},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-09883.bib},
  bibsource = {dblp计算机科学文献库, https://dblp.org}
}