license: apache-2.0 tags:

• 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

卷积视觉变换器 (CvT)

CvT-13模型在ImageNet-1k数据集上以384x384分辨率进行了预训练。该模型由Wu等人在论文CvT: Introducing Convolutions to Vision Transformers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模型卡，因此本模型卡由Hugging Face团队撰写。

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1,000个ImageNet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-13-384')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13-384')

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])