timm documentation
Swin Transformer V2 (CR)
Swin Transformer V2 (CR)
카테고리: ViT · 코드: timm/models/swin_transformer_v2_cr.py · 아키텍처: 16 · 프리트레이닝 가중치: 3 (ImageNet-1k 결과 포함 3개)
Christoph Reich의 코드를 기반으로 재구성된 Swin Transformer V2의 대안 구현입니다. 정사각형이 아닌 크기를 포함하여 이미지 크기와 윈도우 크기를 함께 변경하도록 설계되었습니다. 모듈의 docstring에는 실험적(experimental)으로 표시되어 있습니다.
논문
사용
사전 학습된 가중치 로드, 이미지 전처리 및 파인튜닝에 대해서는 Quickstart를, 모델을 백본으로 사용하는 방법에 대해서는 Feature Extraction을 참고하세요.
>>> import timm
>>> model = timm.create_model('swinv2_cr_tiny_ns_224.sw_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)모델 API 지원
| 기능 | SwinTransformerV2Cr |
|---|---|
features_only=True feature map | ✓ (strides 4, 8, 16, 32) |
forward_intermediates() | ✓ |
prune_intermediate_layers() | ✓ |
| 입력 크기 무관, 변경 불필요 | ✗ |
set_input_size() | ✓ |
dynamic_img_size=True | ✓ |
set_grad_checkpointing() | ✓ |
레이어별 LR 감쇠(group_matcher()) | ✓ |
reset_classifier() | ✓ |
✓ 지원됨, ✓ (정사각형) 정사각형 크기만 작동, ✗ 미지원, – 필요 없음(모델이 이미 모든 입력 크기를 허용함). 무작위로 초기화된 모델(SwinTransformerV2Cr의 swinv2_cr_tiny_224, 224)에서 각 기능을 실행하여 확인했습니다. 같은 클래스의 다른 아키텍처도 동일한 동작을 할 것으로 예상됩니다. 자세한 내용은 Model API 페이지를 참조하세요.
아키텍처
| 아키텍처 | 매개변수 (M) | GMAC | 입력 크기 | 사전 학습된 가중치 |
|---|---|---|---|---|
swinv2_cr_base_224 | 87.88 | 15.86 | 224 | 0 |
swinv2_cr_base_384 | 87.88 | 50.57 | 384 | 0 |
swinv2_cr_base_ns_224 | 87.88 | 15.86 | 224 | 0 |
swinv2_cr_giant_224 | 2598.76 | 483.85 | 224 | 0 |
swinv2_cr_giant_384 | 2598.76 | 1450.71 | 384 | 0 |
swinv2_cr_huge_224 | 657.83 | 115.97 | 224 | 0 |
swinv2_cr_huge_384 | 657.94 | 352.04 | 384 | 0 |
swinv2_cr_large_224 | 196.68 | 35.10 | 224 | 0 |
swinv2_cr_large_384 | 196.68 | 108.96 | 384 | 0 |
swinv2_cr_small_224 | 49.70 | 9.07 | 224 | 1 |
swinv2_cr_small_384 | 49.70 | 29.70 | 384 | 0 |
swinv2_cr_small_ns_224 | 49.70 | 9.08 | 224 | 1 |
swinv2_cr_small_ns_256 | 49.70 | 12.07 | 256 | 0 |
swinv2_cr_tiny_224 | 28.33 | 4.66 | 224 | 0 |
swinv2_cr_tiny_384 | 28.33 | 15.34 | 384 | 0 |
swinv2_cr_tiny_ns_224 | 28.33 | 4.66 | 224 | 1 |
GMACs와 매개변수 수는 각 아키텍처의 기본 입력 크기 및 분류기에 대한 값이며, 벤치마크 결과에서 가져왔습니다.
사전 학습된 가중치
Top-1은 results-imagenet.csv에 나열된 평가 크기에서 측정된 ImageNet-1k 검증 정확도입니다. - 가중치에 ImageNet-1k 결과가 없는 경우(예: 사전 학습 또는 이미지-텍스트 가중치)에는 표시하지 않습니다. Classes는 사전 학습된 분류기의 크기를 나타내며, 분류기가 없는 가중치의 경우 none입니다.
| 가중치 | 입력 크기 | Top-1(%) | 평가 크기 | 클래스 | 라이선스 | Hub |
|---|---|---|---|---|---|---|
swinv2_cr_small_224.sw_in1k | 224 | 83.126 | 224 | 1000 | apache-2.0 | timm |
swinv2_cr_small_ns_224.sw_in1k | 224 | 83.490 | 224 | 1000 | apache-2.0 | timm |
swinv2_cr_tiny_ns_224.sw_in1k | 224 | 81.796 | 224 | 1000 | apache-2.0 | timm |