许可协议: apache-2.0
标签:

• 视觉
• 图像分类
  数据集:
• imagenet-21k
  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

Swin Transformer (大尺寸模型)

Swin Transformer模型在ImageNet-21k数据集（1400万张图像，21,841个类别）上以224x224分辨率预训练而成。该模型由Liu等人在论文Swin Transformer: 基于移动窗口的分层视觉Transformer中提出，并首次发布于此代码库。

免责声明：发布Swin Transformer的团队未为此模型编写模型卡片，故本卡片由Hugging Face团队撰写。

模型描述

Swin Transformer是一种视觉Transformer。它通过在深层合并图像块（灰色显示）构建分层特征图，并由于仅在每个局部窗口（红色显示）内计算自注意力而具有与输入图像大小成线性关系的计算复杂度。因此，它可作为图像分类和密集识别任务的通用骨干网络。相比之下，先前的视觉Transformer生成单一低分辨率特征图，并由于全局计算自注意力而导致计算复杂度与输入图像大小成平方关系。

来源

预期用途与限制

您可将该原始模型用于图像分类。访问模型中心查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数据集中的图像分类为1000个ImageNet类别之一：

from transformers import AutoFeatureExtractor, SwinForImageClassification
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/swin-large-patch4-window7-224-in22k")
model = SwinForImageClassification.from_pretrained("microsoft/swin-large-patch4-window7-224-in22k")

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])

更多代码示例请参阅文档。

BibTeX引用信息

@article{DBLP:journals/corr/abs-2103-14030,
  author    = {Ze Liu and
               Yutong Lin and
               Yue Cao and
               Han Hu and
               Yixuan Wei and
               Zheng Zhang and
               Stephen Lin and
               Baining Guo},
  title     = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
  journal   = {CoRR},
  volume    = {abs/2103.14030},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.14030},
  eprinttype = {arXiv},
  eprint    = {2103.14030},
  timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-14030.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}