MobileViT模型在512x512分辨率下在PASCAL VOC数据集上进行了预训练。由Sachin Mehta和Mohammad Rastegari于 MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer 年引入,并在 this repository 年首次发布。所使用的许可证是 Apple sample code license 。
免责声明:发布MobileViT的团队没有为此模型编写模型卡片,因此Hugging Face团队编写了本模型卡片。
MobileViT是一种轻量级、低延迟的卷积神经网络,它将MobileNetV2风格的层与使用transformer的全局处理来替换卷积中的本地处理的新块结合起来。与ViT(Vision Transformer)一样,图像数据在经过变换器层处理之前会被转换成扁平化的补丁。然后,这些补丁会被“展开”为特征图。这样可以将MobileViT块放置在CNN的任何位置。MobileViT不需要任何位置嵌入。
该存储库中的模型在MobileViT骨干网络上添加了一个用于语义分割的头部。
您可以使用原始模型进行语义分割。查看 model hub 以查找您感兴趣的任务的微调版本。
以下是如何使用此模型的方法:
from transformers import MobileViTFeatureExtractor, MobileViTForSemanticSegmentation 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 = MobileViTFeatureExtractor.from_pretrained("apple/deeplabv3-mobilevit-xx-small") model = MobileViTForSemanticSegmentation.from_pretrained("apple/deeplabv3-mobilevit-xx-small") inputs = feature_extractor(images=image, return_tensors="pt") outputs = model(**inputs) logits = outputs.logits predicted_mask = logits.argmax(1).squeeze(0)
目前,特征提取器和模型都支持PyTorch。
MobileViT + DeepLabV3模型在 ImageNet-1k 上进行了预训练,该数据集由100万张图像和1000个类别组成,然后在 PASCAL VOC2012 数据集上进行了微调。
在推理时,图像会被裁剪为512x512。像素值被归一化到[0, 1]的范围内。图像的像素顺序应为BGR,而非RGB。
MobileViT网络在8个NVIDIA GPU上从头开始在ImageNet-1k上进行了300个时期的训练,有效批次大小为1024,学习率热身3k步,然后进行余弦退火。还使用了标签平滑的交叉熵损失和L2权重衰减。训练分辨率从160x160到320x320不等,使用多尺度采样。
为了得到DeepLabV3模型,MobileViT在PASCAL VOC数据集上使用了4个NVIDIA A100 GPU进行了微调。
Model | PASCAL VOC mIOU | # params | URL |
---|---|---|---|
MobileViT-XXS | 73.6 | 1.9 M | 1239321 |
MobileViT-XS | 77.1 | 2.9 M | 12310321 |
MobileViT-S | 79.1 | 6.4 M | 12311321 |
@inproceedings{vision-transformer, title = {MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer}, author = {Sachin Mehta and Mohammad Rastegari}, year = {2022}, URL = {https://arxiv.org/abs/2110.02178} }