许可证: 其他 标签:

• 视觉
• 图像分类 数据集:
• imagenet-1k 小部件示例:
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg 示例标题: 老虎
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg 示例标题: 茶壶
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg 示例标题: 宫殿

MobileViT (超超小型模型)

该MobileViT模型在ImageNet-1k数据集上以256x256分辨率进行了预训练。它由Sachin Mehta和Mohammad Rastegari在论文MobileViT: 轻量级、通用且适合移动设备的视觉Transformer中提出，并首次发布于此代码库。使用的许可证是Apple示例代码许可证。

免责声明: 发布MobileViT的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队编写。

模型描述

MobileViT是一种轻量级、低延迟的卷积神经网络，结合了MobileNetV2风格的层与一个新模块，该模块使用Transformer替换了卷积中的局部处理。与ViT（视觉Transformer）类似，图像数据在通过Transformer层处理之前被转换为扁平化的图像块。之后，这些块被"解扁平化"回特征图。这使得MobileViT模块可以放置在CNN的任何位置。MobileViT不需要任何位置嵌入。

预期用途与限制

您可以将原始模型用于图像分类。查看模型中心以寻找您感兴趣任务的微调版本。

使用方法

以下是如何使用此模型将COCO 2017数据集中的一张图像分类为ImageNet 1000个类别之一：

from transformers import MobileViTFeatureExtractor, MobileViTForImageClassification
from PIL import Image
import requests

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

feature_extractor = MobileViTFeatureExtractor.from_pretrained("apple/mobilevit-xx-small")
model = MobileViTForImageClassification.from_pretrained("apple/mobilevit-xx-small")

inputs = feature_extractor(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])

目前，特征提取器和模型均支持PyTorch。

训练数据

MobileViT模型在ImageNet-1k上进行了预训练，该数据集包含100万张图像和1000个类别。

训练过程

预处理

训练仅需基本的数据增强，即随机调整大小裁剪和水平翻转。

为了学习多尺度表示而无需微调，训练时使用了多尺度采样器，图像大小随机从以下尺寸中选择：(160, 160), (192, 192), (256, 256), (288, 288), (320, 320)。

在推理时，图像被调整大小/缩放到相同分辨率（288x288），并中心裁剪为256x256。

像素值被归一化到[0, 1]范围。图像预期为BGR像素顺序，而非RGB。

预训练

MobileViT网络在ImageNet-1k上从头开始训练了300个周期，使用8个NVIDIA GPU，有效批量大小为1024，学习率在前3k步进行预热，随后采用余弦退火。还使用了标签平滑交叉熵损失和L2权重衰减。训练分辨率从160x160到320x320不等，采用多尺度采样。

评估结果

BibTeX条目与引用信息

@inproceedings{vision-transformer,
title = {MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer},
author = {Sachin Mehta and Mohammad Rastegari},
year = {2022},
URL = {https://arxiv.org/abs/2110.02178}
}