许可协议：apache-2.0
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

卷积视觉变换器（CvT）

CvT-w24模型基于ImageNet-22k预训练，并在384x384分辨率下对ImageNet-1k进行微调。该模型由Wu等人在论文《CvT: Introducing Convolutions to Vision Transformers》（https://arxiv.org/abs/2103.15808）中提出，并首次发布于此代码库。

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

使用方法

以下示例展示如何用该模型将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 AutoFeatureExtractor, CvtForImageClassification  
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 = AutoFeatureExtractor.from_pretrained('microsoft/cvt-w24-384-22k')  
model = CvtForImageClassification.from_pretrained('microsoft/cvt-w24-384-22k')  

inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  
logits = outputs.logits  
# 模型预测ImageNet千分类别之一  
predicted_class_idx = logits.argmax(-1).item()  
print("预测类别:", model.config.id2label[predicted_class_idx])