数据集:

• ILSVRC/imagenet-21k 许可证: 其他 许可证名称: nvclv1 许可证链接: https://huggingface.co/nvidia/MambaVision-L2-512-21K/blob/main/LICENSE 任务标签: 图像分类 库名称: transformers

MambaVision：混合曼巴-Transformer视觉骨干网络

模型概述

我们开发了首个结合曼巴(Mamba)与Transformer优势的混合计算机视觉模型。核心创新包括重构曼巴公式以增强其视觉特征建模能力，并通过全面消融实验验证了视觉Transformer(ViT)与曼巴架构融合的可行性。研究表明，在曼巴架构最后几层加入自注意力模块能显著提升长距离空间依赖关系的建模能力。基于此，我们推出了具有分层架构的MambaVision模型系列以满足不同设计需求。

模型性能

MambaVision-L2-512-21K在ImageNet-21K数据集上预训练，并在512×512分辨率下对ImageNet-1K进行微调。

该模型在Top-1准确率与吞吐量方面实现了新的SOTA帕累托前沿。

使用指南

建议通过以下命令安装依赖：

pip install mambavision

图像分类示例

以下示例展示如何使用MambaVision进行图像分类（以COCO数据集验证集图片为例）：

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-L2-512-21K", trust_remote_code=True)
model.cuda().eval()

url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
transform = create_transform(input_size=(3, 512, 512),
                            is_training=False,
                            mean=model.config.mean,
                            std=model.config.std,
                            crop_mode=model.config.crop_mode,
                            crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()
outputs = model(inputs)
print("预测类别:", model.config.id2label[outputs['logits'].argmax(-1).item()])

输出结果为：棕熊（brown bear, bruin, Ursus arctos）

特征提取示例

MambaVision可作为通用特征提取器，支持获取四个阶段的特征图及最终平均池化特征：

from transformers import AutoModel

model = AutoModel.from_pretrained("nvidia/MambaVision-L2-512-21K", trust_remote_code=True)
model.cuda().eval()

out_avg_pool, features = model(inputs)
print("平均池化特征尺寸:", out_avg_pool.size())  # [1, 1568]
print("特征阶段数量:", len(features))  # 4
print("第一阶段特征尺寸:", features[0].size())  # [1, 196, 128, 128]
print("第四阶段特征尺寸:", features[3].size())  # [1, 1568, 16, 16]

许可证

NVIDIA受限源代码许可证