Слияние кода завершено, страница обновится автоматически
Модель ConvNeXT, обученная на ImageNet-1k с разрешением 224x224. Она была представлена в статье «ConvNet для 2020-х годов» Лю и др. и впервые выпущена в этом репозитории.
Отказ от ответственности: команда, выпустившая ConvNeXT, не писала карточку модели для этой модели, поэтому эта карточка модели была написана командой Hugging Face.
ConvNeXT — это чистая свёрточная модель (ConvNet), вдохновлённая дизайном Vision Transformers, которая утверждает, что превосходит их. Авторы начали с ResNet и «модернизировали» его дизайн, взяв за основу Swin Transformer.
Вы можете использовать необработанную модель для классификации изображений. См. хаб моделей, чтобы найти версии, настроенные на конкретную задачу, которая вас интересует.
Вот как можно использовать эту модель для классификации изображения из набора данных COCO 2017 по одному из 1000 классов ImageNet:
from transformers import ConvNextImageProcessor, ConvNextForImageClassification
import torch
from datasets import load_dataset
dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]
processor = ConvNextImageProcessor.from_pretrained("facebook/convnext-base-224")
model = ConvNextForImageClassification.from_pretrained("facebook/convnext-base-224")
inputs = processor(image, return_tensors="pt")
with torch.no_grad():
logits = model(**inputs).logits
# модель предсказывает один из 1000 классов ImageNet
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),
Дополнительные примеры кода см. в документации.
@article{DBLP:journals/corr/abs-2201-03545,
author = {Zhuang Liu and
Hanzi Mao and
Chao{-}Yuan Wu and
Christoph Feichtenhofer and
Trevor Darrell and
Saining Xie},
title = {A ConvNet for the 2020s},
journal = {CoRR},
volume = {abs/2201.03545},
year = {2022},
url = {https://arxiv.org/abs/2201.03545},
eprinttype = {arXiv},
eprint = {2201.03545},
timestamp = {Thu, 20 Jan 2022 14:21:35 +0100},
biburl = {https://dblp.org/rec/journals/corr/abs-2201-03545.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )