快速上手vit_tiny_patch16_224.augreg_in21k3行代码实现图像分类【免费下载链接】vit_tiny_patch16_224.augreg_in21k项目地址: https://ai.gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21kvit_tiny_patch16_224.augreg_in21k是一款基于Vision Transformer架构的图像分类模型由论文作者使用JAX在ImageNet-21k数据集上训练包含额外的数据增强和正则化并由Ross Wightman移植到PyTorch。它非常适合新手和普通用户快速实现图像分类功能仅需几行代码即可完成部署和使用。 模型核心特性轻量级架构仅9.7M参数1.1 GMACs计算量在普通设备上也能高效运行高精度表现在ImageNet-21k数据集上训练支持21843种图像类别的识别即插即用通过timm库可直接调用无需复杂配置灵活应用既支持图像分类任务也可作为特征提取器生成图像嵌入向量 环境准备安装必要依赖首先确保你的环境中已安装以下库pip install timm torch pillow获取模型文件通过Git克隆项目仓库git clone https://gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21k 3行核心代码实现图像分类下面展示如何使用vit_tiny_patch16_224.augreg_in21k模型对图像进行分类import timm from PIL import Image # 1. 加载预训练模型 model timm.create_model(vit_tiny_patch16_224.augreg_in21k, pretrainedTrue).eval() # 2. 获取模型专用图像转换器 transforms timm.data.create_transform(**timm.data.resolve_model_data_config(model), is_trainingFalse) # 3. 执行图像分类假设img为PIL.Image对象 output model(transforms(img).unsqueeze(0)) # 输出为分类分数张量 完整使用示例完整代码from urllib.request import urlopen from PIL import Image import timm import torch # 加载图像 img Image.open(urlopen( https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png )) # 加载模型 model timm.create_model(vit_tiny_patch16_224.augreg_in21k, pretrainedTrue) model model.eval() # 获取模型转换 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) # 执行推理 output model(transforms(img).unsqueeze(0)) # 获取Top5预测结果 top5_probabilities, top5_class_indices torch.topk(output.softmax(dim1) * 100, k5) # 打印结果 print(Top 5预测类别及概率:) for prob, idx in zip(top5_probabilities[0], top5_class_indices[0]): print(f类别 {idx}: {prob:.2f}%)模型配置说明模型的核心配置信息可在config.json中查看主要参数包括输入图像尺寸224x224图像预处理均值[0.5, 0.5, 0.5]标准差[0.5, 0.5, 0.5]分类类别数21843特征维度192 模型应用场景1.** 图像分类系统快速构建商品识别、植物分类等应用 2.特征提取器生成图像嵌入用于相似度计算或检索 3.迁移学习基础 **作为预训练模型用于下游视觉任务 相关资源模型卡片README.md配置文件configuration.json论文参考《How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers》《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》通过以上步骤你已经掌握了vit_tiny_patch16_224.augreg_in21k模型的基本使用方法。这个轻量级yet powerful的视觉模型能够帮助你快速实现图像分类功能无论是学术研究还是商业应用都能发挥重要作用【免费下载链接】vit_tiny_patch16_224.augreg_in21k项目地址: https://ai.gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 快速上手vit_tiny_patch16_224.augreg_in21k：3行代码实现图像分类
快速上手vit_tiny_patch16_224.augreg_in21k3行代码实现图像分类【免费下载链接】vit_tiny_patch16_224.augreg_in21k项目地址: https://ai.gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21kvit_tiny_patch16_224.augreg_in21k是一款基于Vision Transformer架构的图像分类模型由论文作者使用JAX在ImageNet-21k数据集上训练包含额外的数据增强和正则化并由Ross Wightman移植到PyTorch。它非常适合新手和普通用户快速实现图像分类功能仅需几行代码即可完成部署和使用。 模型核心特性轻量级架构仅9.7M参数1.1 GMACs计算量在普通设备上也能高效运行高精度表现在ImageNet-21k数据集上训练支持21843种图像类别的识别即插即用通过timm库可直接调用无需复杂配置灵活应用既支持图像分类任务也可作为特征提取器生成图像嵌入向量 环境准备安装必要依赖首先确保你的环境中已安装以下库pip install timm torch pillow获取模型文件通过Git克隆项目仓库git clone https://gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21k 3行核心代码实现图像分类下面展示如何使用vit_tiny_patch16_224.augreg_in21k模型对图像进行分类import timm from PIL import Image # 1. 加载预训练模型 model timm.create_model(vit_tiny_patch16_224.augreg_in21k, pretrainedTrue).eval() # 2. 获取模型专用图像转换器 transforms timm.data.create_transform(**timm.data.resolve_model_data_config(model), is_trainingFalse) # 3. 执行图像分类假设img为PIL.Image对象 output model(transforms(img).unsqueeze(0)) # 输出为分类分数张量 完整使用示例完整代码from urllib.request import urlopen from PIL import Image import timm import torch # 加载图像 img Image.open(urlopen( https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png )) # 加载模型 model timm.create_model(vit_tiny_patch16_224.augreg_in21k, pretrainedTrue) model model.eval() # 获取模型转换 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) # 执行推理 output model(transforms(img).unsqueeze(0)) # 获取Top5预测结果 top5_probabilities, top5_class_indices torch.topk(output.softmax(dim1) * 100, k5) # 打印结果 print(Top 5预测类别及概率:) for prob, idx in zip(top5_probabilities[0], top5_class_indices[0]): print(f类别 {idx}: {prob:.2f}%)模型配置说明模型的核心配置信息可在config.json中查看主要参数包括输入图像尺寸224x224图像预处理均值[0.5, 0.5, 0.5]标准差[0.5, 0.5, 0.5]分类类别数21843特征维度192 模型应用场景1.** 图像分类系统快速构建商品识别、植物分类等应用 2.特征提取器生成图像嵌入用于相似度计算或检索 3.迁移学习基础 **作为预训练模型用于下游视觉任务 相关资源模型卡片README.md配置文件configuration.json论文参考《How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers》《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》通过以上步骤你已经掌握了vit_tiny_patch16_224.augreg_in21k模型的基本使用方法。这个轻量级yet powerful的视觉模型能够帮助你快速实现图像分类功能无论是学术研究还是商业应用都能发挥重要作用【免费下载链接】vit_tiny_patch16_224.augreg_in21k项目地址: https://ai.gitcode.com/hf_mirrors/timm/vit_tiny_patch16_224.augreg_in21k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考