# MobileViT

**カテゴリ:** Efficient/Mobile · **コード:** [`timm/models/mobilevit.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/mobilevit.py) · **アーキテクチャ:** 10 · **事前学習済み重み:** 16 (ImageNet-1kの結果を含む16)

MobileViTは、MobileNet-V2のインバーテッド・レシデュアルブロックと、アンフォールドされたパッチにtransformerを適用してグローバル処理を行うMobileViTブロックを組み合わせます。MobileViT-V2は、セパラブル・セルフアテンションを使用します。`ByobNet`クラスをベースに構築されています。

## 論文

* [MobileViT: 軽量で汎用的、かつモバイルフレンドリーなビジョン・トランスフォーマー](https://arxiv.org/abs/2110.02178)
* [モバイルビジョンTransformer向けセパラブル自己注意](https://arxiv.org/abs/2206.02680)

## 使用方法

事前学習済み重みの読み込み、画像の前処理、ファインチューニングについては[クイックスタート](../quickstart)を、モデルをバックボーンとして使用する方法については[特徴抽出](../feature_extraction)を参照してください。

```py
>>> import timm
>>> model = timm.create_model('mobilevitv2_200.cvnets_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## モデルAPIのサポート

| 機能 | `ByobNet` |
|---|---|
| [`features_only=True` 特徴マップ](../model_api#intermediate-features) | ✓ (strides 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [入力サイズは任意で、変更は不要です](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✓ |
| [レイヤーごとのLR減衰（`group_matcher()`）](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ 対応、✓ (square) 正方形サイズのみ動作、✗ 非対応、– 不要（モデルはすでに任意の入力サイズを受け入れる）。各機能をランダムに初期化されたモデル（`ByobNet` の `mobilevit_xxs`、256）で実行して確認しています。同じクラスの他のアーキテクチャも同様に動作すると予想されます。詳細は[Model API](../model_api)ページを参照してください。

## アーキテクチャ

| アーキテクチャ | パラメータ数 (M) | GMACs | 入力サイズ | 事前学習済み重み |
|---|---:|---:|---:|---:|
| `mobilevit_s` | 5.58 | 2.03 | 256 | 1 |
| `mobilevit_xs` | 2.32 | 1.05 | 256 | 1 |
| `mobilevit_xxs` | 1.27 | 0.42 | 256 | 1 |
| `mobilevitv2_050` | 1.37 | 0.48 | 256 | 1 |
| `mobilevitv2_075` | 2.87 | 1.05 | 256 | 1 |
| `mobilevitv2_100` | 4.90 | 1.84 | 256 | 1 |
| `mobilevitv2_125` | 7.48 | 2.86 | 256 | 1 |
| `mobilevitv2_150` | 10.59 | 4.09 | 256 | 3 |
| `mobilevitv2_175` | 14.25 | 5.54 | 256 | 3 |
| `mobilevitv2_200` | 18.45 | 7.22 | 256 | 3 |

GMACsとパラメータ数は、各アーキテクチャのデフォルトの入力サイズと分類器に基づいており、[ベンチマーク結果](https://github.com/huggingface/pytorch-image-models/tree/main/results)から得られたものです。

## 事前学習済み重み

Top-1 は、[`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) に記載された評価サイズでの ImageNet-1k 検証精度です。- は、ImageNet-1k の結果がない重み（例: プリトレーニング用または画像-テキスト用重み）を示します。Classes は事前学習済み分類器のサイズで、分類器を持たない重みには該当しません。

| 重み | 入力サイズ | Top-1 (%) | 評価サイズ | クラス | ライセンス | Hub |
|---|---:|---:|---:|---:|---|---|
| `mobilevit_s.cvnets_in1k` | 256 | 78.298 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevit_s.cvnets_in1k) |
| `mobilevit_xs.cvnets_in1k` | 256 | 74.618 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevit_xs.cvnets_in1k) |
| `mobilevit_xxs.cvnets_in1k` | 256 | 68.936 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevit_xxs.cvnets_in1k) |
| `mobilevitv2_050.cvnets_in1k` | 256 | 70.156 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_050.cvnets_in1k) |
| `mobilevitv2_075.cvnets_in1k` | 256 | 75.612 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_075.cvnets_in1k) |
| `mobilevitv2_100.cvnets_in1k` | 256 | 78.088 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_100.cvnets_in1k) |
| `mobilevitv2_125.cvnets_in1k` | 256 | 79.682 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_125.cvnets_in1k) |
| `mobilevitv2_150.cvnets_in1k` | 256 | 80.380 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_150.cvnets_in1k) |
| `mobilevitv2_150.cvnets_in22k_ft_in1k` | 256 | 81.466 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_150.cvnets_in22k_ft_in1k) |
| `mobilevitv2_150.cvnets_in22k_ft_in1k_384` | 384 | 82.606 | 384 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_150.cvnets_in22k_ft_in1k_384) |
| `mobilevitv2_175.cvnets_in1k` | 256 | 80.870 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_175.cvnets_in1k) |
| `mobilevitv2_175.cvnets_in22k_ft_in1k` | 256 | 81.950 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_175.cvnets_in22k_ft_in1k) |
| `mobilevitv2_175.cvnets_in22k_ft_in1k_384` | 384 | 82.920 | 384 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_175.cvnets_in22k_ft_in1k_384) |
| `mobilevitv2_200.cvnets_in1k` | 256 | 81.148 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_200.cvnets_in1k) |
| `mobilevitv2_200.cvnets_in22k_ft_in1k` | 256 | 82.320 | 256 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_200.cvnets_in22k_ft_in1k) |
| `mobilevitv2_200.cvnets_in22k_ft_in1k_384` | 384 | 83.430 | 384 | 1000 | cvnets-license | [timm](https://huggingface.co/timm/mobilevitv2_200.cvnets_in22k_ft_in1k_384) |