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

Swin Transformer (基础尺寸模型)

该Swin Transformer模型在ImageNet-1k数据集上以224x224分辨率训练而成。它由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，因此本模型卡由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（图中灰色部分）构建分层特征图，并由于仅在局部窗口（图中红色部分）内计算自注意力，其计算复杂度与输入图像大小呈线性关系。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，且由于全局计算自注意力，其计算复杂度与输入图像大小呈二次方关系。

来源

预期用途与限制

您可以将原始模型用于图像分类。请参阅模型中心以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数据集中的一张图像分类为ImageNet的1,000个类别之一：

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-base-patch4-window7-224")  
model = SwinForImageClassification.from_pretrained("microsoft/swin-base-patch4-window7-224")  

inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  
logits = outputs.logits  
# 模型预测ImageNet的1,000个类别之一  
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}  
}