Swin Transformer（大型模型）

Swin Transformer模型在分辨率为224x224的ImageNet-1k数据集上进行了训练。该模型在刘等人的论文中首次提出，并在 this repository 中首次发布。

免责声明：发布Swin Transformer的团队并没有为这个模型撰写模型说明卡片，因此本模型说明卡片是由Hugging Face团队撰写的。

模型描述

Swin Transformer是一种视觉Transformer模型。它通过将图像块（显示为灰色）在更深层次的网络中进行合并来构建分层特征图，并且由于只在每个局部窗口内计算自注意力（显示为红色），所以其对输入图像大小具有线性计算复杂度。因此，它可以作为图像分类和密集识别任务的通用骨干模型。相反，先前的视觉Transformer模型生成单一低分辨率的特征图，并且由于在全局范围内计算自注意力，其对输入图像大小具有二次计算复杂度。

Source

预期用途和限制

您可以使用原始模型进行图像分类。请参考 model hub 以寻找您感兴趣的任务的微调版本。

如何使用

下面是如何使用此模型将COCO 2017数据集中的图像分类为1,000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")
model = SwinForImageClassification.from_pretrained("microsoft/swin-large-patch4-window7-224")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

有关更多代码示例，请参阅 documentation 。

BibTeX条目和引用信息

@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}
}