许可协议: 其他
标签:

• 视觉
• 图像分类
  数据集:
• imagenet-1k
  示例展示:
• 图片链接: https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg
  示例标题: 老虎
• 图片链接: https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg
  示例标题: 茶壶
• 图片链接: https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg
  示例标题: 宫殿

MobileViT（超小尺寸模型）

该MobileViT模型在ImageNet-1k数据集上以256x256分辨率预训练而成。由Sachin Mehta和Mohammad Rastegari在论文MobileViT: 轻量化、通用且移动端友好的视觉Transformer中提出，并首次发布于此代码库。使用的许可协议为Apple示例代码许可。

免责声明：发布MobileViT的团队未为此模型编写模型卡，故本模型卡由Hugging Face团队撰写。

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风格的层与一种新模块，该模块通过Transformer实现全局处理以替代卷积中的局部处理。与ViT（视觉Transformer）类似，图像数据在通过Transformer层处理前会被转换为扁平化的图像块。处理完成后，这些图像块会重新“展开”为特征图。这使得MobileViT模块可以放置在CNN的任何位置。MobileViT不需要任何位置编码。

预期用途与限制

您可以将该原始模型用于图像分类任务。访问模型中心寻找您感兴趣任务的微调版本。

使用方法

以下示例展示如何使用该模型将COCO 2017数据集中的一张图像分类为ImageNet的1,000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-x-small")
model = MobileViTForImageClassification.from_pretrained("apple/mobilevit-x-small")

inputs = feature_extractor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# 模型预测1,000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1,000个类别。

训练流程

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，图像尺寸随机从以下尺寸中选择：(160, 160)、(192, 192)、(256, 256)、(288, 288)、(320, 320)。

推理时，图像会被调整大小/缩放至相同分辨率（288x288），并中心裁剪为256x256。

像素值归一化到[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块NVIDIA GPU，有效批量大小为1024，学习率在前3,000步进行预热，随后采用余弦退火。同时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}
}