许可协议: 其他
标签:

• 视觉
• 图像分类
  数据集:
• imagenet-1k
  微件示例:
• 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 (小尺寸模型)

该MobileViT模型在ImageNet-1k数据集上以256x256分辨率进行了预训练，由Sachin Mehta和Mohammad Rastegari在论文《MobileViT: 轻量、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。采用的许可协议为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说明卡片，本卡片由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风格的层与新型模块——该模块用基于Transformer的全局处理替代了卷积中的局部处理。与ViT（视觉Transformer）类似，图像数据在进入Transformer层前会被展平为分块。但随后这些分块会重新恢复为特征图，这使得MobileViT模块可嵌入CNN的任何位置。MobileViT无需任何位置编码。

用途与限制

您可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

以下示例展示如何将COCO 2017数据集的图像分类为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('Matthijs/mobilevit-small')  
model = MobileViTForImageClassification.from_pretrained('Matthijs/mobilevit-small')  

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])  

当前特征提取器与模型均仅支持PyTorch。

训练数据

MobileViT模型在ImageNet-1k上预训练，该数据集包含100万张图像和1,000个类别。

训练流程

预处理

训练仅需基础数据增强，即随机缩放裁剪和水平翻转。

为学习多尺度表征且无需微调，训练时采用多尺度采样器，随机从以下尺寸选择图像：(160,160)、(192,192)、(256,256)、(288,288)、(320,320)。

推理时，图像被统一缩放至288x288分辨率，并中心裁剪为256x256。

像素值归一化至[0,1]范围，图像需为BGR通道顺序而非RGB。

预训练

MobileViT网络在8块NVIDIA GPU上从头训练300轮，有效批量大小为1024，学习率经3,000步预热后采用余弦退火。同时使用标签平滑交叉熵损失和L2权重衰减。训练分辨率从160x160到320x320动态变化，采用多尺度采样。

评估结果

BibTeX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}  
}