timm 文档

更新日志

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

更新日志

2024 年 8 月 8 日

2024 年 7 月 28 日

  • 添加 mobilenet_edgetpu_v2_m 权重,使用基于 ra4 mnv4-small 的配方。在 224 尺寸下 top-1 准确率为 80.1%,在 256 尺寸下为 80.7%。
  • 发布 1.0.8 版本

2024 年 7 月 26 日

  • 更多 MobileNet-v4 权重,ImageNet-12k 预训练与微调,以及抗锯齿 ConvLarge 模型
模型 Top1 Top1 错误率 Top5 Top5 错误率 参数量 图像尺寸
mobilenetv4_conv_aa_large.e230_r448_in12k_ft_in1k 84.99 15.01 97.294 2.706 32.59 544
mobilenetv4_conv_aa_large.e230_r384_in12k_ft_in1k 84.772 15.228 97.344 2.656 32.59 480
mobilenetv4_conv_aa_large.e230_r448_in12k_ft_in1k 84.64 15.36 97.114 2.886 32.59 448
mobilenetv4_conv_aa_large.e230_r384_in12k_ft_in1k 84.314 15.686 97.102 2.898 32.59 384
mobilenetv4_conv_aa_large.e600_r384_in1k 83.824 16.176 96.734 3.266 32.59 480
mobilenetv4_conv_aa_large.e600_r384_in1k 83.244 16.756 96.392 3.608 32.59 384
mobilenetv4_hybrid_medium.e200_r256_in12k_ft_in1k 82.99 17.01 96.67 3.33 11.07 320
mobilenetv4_hybrid_medium.e200_r256_in12k_ft_in1k 82.364 17.636 96.256 3.744 11.07 256
模型 Top1 Top1 错误率 Top5 Top5 错误率 参数量 图像尺寸
efficientnet_b0.ra4_e3600_r224_in1k 79.364 20.636 94.754 5.246 5.29 256
efficientnet_b0.ra4_e3600_r224_in1k 78.584 21.416 94.338 5.662 5.29 224
mobilenetv1_100h.ra4_e3600_r224_in1k 76.596 23.404 93.272 6.728 5.28 256
mobilenetv1_100.ra4_e3600_r224_in1k 76.094 23.906 93.004 6.996 4.23 256
mobilenetv1_100h.ra4_e3600_r224_in1k 75.662 24.338 92.504 7.496 5.28 224
mobilenetv1_100.ra4_e3600_r224_in1k 75.382 24.618 92.312 7.688 4.23 224
  • 原型 set_input_size() 已添加到 vit 和 swin v1/v2 模型中,以便在模型创建后更改图像尺寸、补丁大小、窗口大小。
  • 改进了 swin 中对不同尺寸处理的支持,除了 set_input_size 之外,__init__ 中还添加了 always_partitionstrict_img_size 参数,以允许更灵活的输入尺寸约束
  • 修复了中间 ‘Getter’ 特征包装器的索引信息顺序错误,检查了相同情况下的越界索引。
  • 添加了几个小于 0.5M 参数的 tiny 模型用于测试,这些模型实际上是在 ImageNet-1k 上训练的
模型 Top1 Top1 错误率 Top5 Top5 错误率 参数量 图像尺寸 裁剪比例
test_efficientnet.r160_in1k 47.156 52.844 71.726 28.274 0.36 192 1.0
test_byobnet.r160_in1k 46.698 53.302 71.674 28.326 0.46 192 1.0
test_efficientnet.r160_in1k 46.426 53.574 70.928 29.072 0.36 160 0.875
test_byobnet.r160_in1k 45.378 54.622 70.572 29.428 0.46 160 0.875
test_vit.r160_in1k 42.0 58.0 68.664 31.336 0.37 192 1.0
test_vit.r160_in1k 40.822 59.178 67.212 32.788 0.37 160 0.875
  • 修复了 vit reg token 初始化,感谢 Promisery
  • 其他杂项修复

2024 年 6 月 24 日

  • 更多 3 个 MobileNetV4 混合权重,使用不同的 MQA 权重初始化方案
模型 Top1 Top1 错误率 Top5 Top5 错误率 参数量 图像尺寸
mobilenetv4_hybrid_large.ix_e600_r384_in1k 84.356 15.644 96.892 3.108 37.76 448
mobilenetv4_hybrid_large.ix_e600_r384_in1k 83.990 16.010 96.702 3.298 37.76 384
mobilenetv4_hybrid_medium.ix_e550_r384_in1k 83.394 16.606 96.760 3.240 11.07 448
mobilenetv4_hybrid_medium.ix_e550_r384_in1k 82.968 17.032 96.474 3.526 11.07 384
mobilenetv4_hybrid_medium.ix_e550_r256_in1k 82.492 17.508 96.278 3.722 11.07 320
mobilenetv4_hybrid_medium.ix_e550_r256_in1k 81.446 18.554 95.704 4.296 11.07 256
  • 在 DaViT 模型中加载 florence2 权重

2024 年 6 月 12 日

  • 添加了 MobileNetV4 模型和 timm 训练权重的初始集合
模型 Top1 Top1 错误率 Top5 Top5 错误率 参数量 图像尺寸
mobilenetv4_hybrid_large.e600_r384_in1k 84.266 15.734 96.936 3.064 37.76 448
mobilenetv4_hybrid_large.e600_r384_in1k 83.800 16.200 96.770 3.230 37.76 384
mobilenetv4_conv_large.e600_r384_in1k 83.392 16.608 96.622 3.378 32.59 448
mobilenetv4_conv_large.e600_r384_in1k 82.952 17.048 96.266 3.734 32.59 384
mobilenetv4_conv_large.e500_r256_in1k 82.674 17.326 96.31 3.69 32.59 320
mobilenetv4_conv_large.e500_r256_in1k 81.862 18.138 95.69 4.31 32.59 256
mobilenetv4_hybrid_medium.e500_r224_in1k 81.276 18.724 95.742 4.258 11.07 256
mobilenetv4_conv_medium.e500_r256_in1k 80.858 19.142 95.768 4.232 9.72 320
mobilenetv4_hybrid_medium.e500_r224_in1k 80.442 19.558 95.38 4.62 11.07 224
mobilenetv4_conv_blur_medium.e500_r224_in1k 80.142 19.858 95.298 4.702 9.72 256
mobilenetv4_conv_medium.e500_r256_in1k 79.928 20.072 95.184 4.816 9.72 256
mobilenetv4_conv_medium.e500_r224_in1k 79.808 20.192 95.186 4.814 9.72 256
mobilenetv4_conv_blur_medium.e500_r224_in1k 79.438 20.562 94.932 5.068 9.72 224
mobilenetv4_conv_medium.e500_r224_in1k 79.094 20.906 94.77 5.23 9.72 224
mobilenetv4_conv_small.e2400_r224_in1k 74.616 25.384 92.072 7.928 3.77 256
mobilenetv4_conv_small.e1200_r224_in1k 74.292 25.708 92.116 7.884 3.77 256
mobilenetv4_conv_small.e2400_r224_in1k 73.756 26.244 91.422 8.578 3.77 224
mobilenetv4_conv_small.e1200_r224_in1k 73.454 26.546 91.34 8.66 3.77 224
  • 添加了 Apple MobileCLIP (https://arxiv.org/pdf/2311.17049, FastViT 和 ViT-B) 图像塔模型支持和权重(OpenCLIP 支持的一部分)。
  • 添加了 ViTamin (https://arxiv.org/abs/2404.02132) CLIP 图像塔模型和权重(OpenCLIP 支持的一部分)。
  • 添加了 OpenAI CLIP 修改的 ResNet 图像塔建模和权重支持(通过 ByobNet)。重构 AttentionPool2d。

2024 年 5 月 14 日

  • 支持将 PaliGemma jax 权重加载到带有平均池化的 SigLIP ViT 模型中。
  • 从 Meta 添加 Hiera 模型 (https://github.com/facebookresearch/hiera)。
  • 为 transforms 添加 normalize= 标志,返回具有原始 dytpe 的非标准化 torch.Tensor (用于 chug)
  • 发布 1.0.3 版本

2024 年 5 月 11 日

  • 发布了 ‘Searching for Better ViT Baselines (For the GPU Poor)’ 权重和 vit 变体。探索 Tiny 和 Base 之间的模型形状。
模型 Top1 Top5 参数量 图像尺寸
vit_mediumd_patch16_reg4_gap_256.sbb_in12k_ft_in1k 86.202 97.874 64.11 256
vit_betwixt_patch16_reg4_gap_256.sbb_in12k_ft_in1k 85.418 97.48 60.4 256
vit_mediumd_patch16_rope_reg1_gap_256.sbb_in1k 84.322 96.812 63.95 256
vit_betwixt_patch16_rope_reg4_gap_256.sbb_in1k 83.906 96.684 60.23 256
vit_base_patch16_rope_reg1_gap_256.sbb_in1k 83.866 96.67 86.43 256
vit_medium_patch16_rope_reg1_gap_256.sbb_in1k 83.81 96.824 38.74 256
vit_betwixt_patch16_reg4_gap_256.sbb_in1k 83.706 96.616 60.4 256
vit_betwixt_patch16_reg1_gap_256.sbb_in1k 83.628 96.544 60.4 256
vit_medium_patch16_reg4_gap_256.sbb_in1k 83.47 96.622 38.88 256
vit_medium_patch16_reg1_gap_256.sbb_in1k 83.462 96.548 38.88 256
vit_little_patch16_reg4_gap_256.sbb_in1k 82.514 96.262 22.52 256
vit_wee_patch16_reg1_gap_256.sbb_in1k 80.256 95.360 13.42 256
vit_pwee_patch16_reg1_gap_256.sbb_in1k 80.072 95.136 15.25 256
vit_mediumd_patch16_reg4_gap_256.sbb_in12k 不适用 不适用 64.11 256
vit_betwixt_patch16_reg4_gap_256.sbb_in12k 不适用 不适用 60.4 256
  • 添加 AttentionExtract 助手以从 timm 模型中提取注意力图。请参阅 https://github.com/huggingface/pytorch-image-models/discussions/1232#discussioncomment-9320949 中的示例
  • forward_intermediates() API refined 和已添加到更多模型中,包括一些具有其他提取方法的 ConvNet。
  • 1047 个模型架构中的 1017 个支持 features_only=True 特征提取。剩余的 34 个架构可以支持,但基于优先级请求。
  • 移除了 torch.jit.script 注释的函数,包括旧的 JIT 激活。与 dynamo 冲突,且 dynamo 在使用时表现更好。

2024 年 4 月 11 日

  • 准备发布期待已久的 1.0 版本,目前情况已稳定一段时间。
  • 长期缺失的重要功能,features_only=True 支持具有扁平隐藏状态或非标准模块布局的 ViT 模型(目前涵盖 'vit_*', 'twins_*', 'deit*', 'beit*', 'mvitv2*', 'eva*', 'samvit_*', 'flexivit*'
  • 上述功能支持通过新的 forward_intermediates() API 实现,该 API 可以与特征包装模块或直接使用。
model = timm.create_model('vit_base_patch16_224')
final_feat, intermediates = model.forward_intermediates(input)
output = model.forward_head(final_feat)  # pooling + classifier head

print(final_feat.shape)
torch.Size([2, 197, 768])

for f in intermediates:
    print(f.shape)
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])
torch.Size([2, 768, 14, 14])

print(output.shape)
torch.Size([2, 1000])
model = timm.create_model('eva02_base_patch16_clip_224', pretrained=True, img_size=512, features_only=True, out_indices=(-3, -2,))
output = model(torch.randn(2, 3, 512, 512))

for o in output:
    print(o.shape)
torch.Size([2, 768, 32, 32])
torch.Size([2, 768, 32, 32])
  • 添加了 TinyCLIP 视觉塔权重,感谢 Thien Tran

2024 年 2 月 19 日

  • 添加了 Next-ViT 模型。改编自 https://github.com/bytedance/Next-ViT
  • 添加了 HGNet 和 PP-HGNetV2 模型。由 SeeFun 改编自 https://github.com/PaddlePaddle/PaddleClas
  • 移除了 setup.py,迁移到 PDM 支持的基于 pyproject.toml 的构建
  • 添加了更新的模型 EMA 实现,使用 _for_each 以减少开销
  • 在训练脚本中支持非 GPU 设备的 device 参数
  • 其他杂项修复和小幅添加
  • 最低支持的 Python 版本提高到 3.8
  • 发布 0.9.16 版本

2024 年 1 月 8 日

数据集和 transform 重构

  • HuggingFace 流式(可迭代)数据集支持 (--dataset hfids:org/dataset)
  • Webdataset 包装器调整,以改进拆分信息获取,可以从受支持的 HF hub webdataset 自动获取拆分
  • 测试了来自 HF hub 的 HF datasets 和 webdataset 包装器流式传输,以及最近 timm ImageNet 上传到 https://huggingface.co/timm 的情况
  • 使输入和目标列/字段键在数据集之间保持一致,并通过 args 传递
  • 完全单色支持,当使用例如 --input-size 1 224 224--in-chans 1 时,在数据集中适当设置 PIL 图像转换
  • 改进了几个备用裁剪和调整大小 transforms (ResizeKeepRatio, RandomCropOrPad 等),用于 PixParse 文档 AI 项目
  • 将 SimCLR 风格的颜色抖动概率以及灰度和高斯模糊选项添加到增强和 args 中
  • 允许在训练脚本中进行无验证集的训练 (--val-split '')
  • 添加了 --bce-sum (对类别维度求和) 和 --bce-pos-weight (正权重) args 用于训练,因为这些是我经常硬编码的常见 BCE 损失调整

2023 年 11 月 23 日

  • 添加了 EfficientViT-Large 模型,感谢 SeeFun
  • 修复了 Python 3.7 兼容性,即将放弃对其的支持
  • 其他杂项修复
  • 发布 0.9.12 版本

2023 年 11 月 20 日

2023 年 11 月 3 日

2023 年 10 月 20 日

  • vision_transformer.py 中支持 SigLIP 图像塔权重。
    • 在微调和下游特征使用方面具有巨大潜力。
  • 实验性 ‘register’ 支持 vit 模型,根据 Vision Transformers Need Registers
  • 使用新的权重版本更新了 RepViT。感谢 wangao
  • 向 Swin 模型添加补丁大小调整支持(在预训练权重加载时)
  • 0.9.8 版本待发布

2023 年 9 月 1 日

  • SeeFun 添加了 TinyViT
  • 修复 EfficientViT (MIT) 以使用 torch.autocast,使其可向后兼容 PT 1.10
  • 发布 0.9.7 版本

2023 年 8 月 28 日

  • vision_transformer.py, vision_transformer_hybrid.py, deit.pyeva.py 中的模型添加动态图像尺寸支持,且不破坏向后兼容性。
    • 在模型创建时向 args 添加 dynamic_img_size=True,以允许更改网格大小(每次前向传播都插值 abs 和/或 ROPE pos embed)。
    • 添加 dynamic_img_pad=True 以允许图像尺寸不能被补丁大小整除(每次前向传播都将右下角填充到补丁大小)。
    • 启用任一动态模式都会破坏 FX 跟踪,除非将 PatchEmbed 模块添加为叶子模块。
    • 通过在创建时传递不同的 img_size(插值预训练嵌入权重一次)来调整位置嵌入大小的现有方法仍然有效。
    • 通过在创建时更改 patch_size(调整预训练 patch_embed 权重一次)的现有方法仍然有效。
    • 示例验证 cmd python validate.py /imagenet --model vit_base_patch16_224 --amp --amp-dtype bfloat16 --img-size 255 --crop-pct 1.0 --model-kwargs dynamic_img_size=True dyamic_img_pad=True

2023 年 8 月 25 日

2023 年 8 月 11 日

  • Swin、MaxViT、CoAtNet 和 BEiT 模型支持在创建时调整图像/窗口大小,并能自适应预训练权重
  • 用于测试非方形调整大小的示例验证命令:python validate.py /imagenet --model swin_base_patch4_window7_224.ms_in2k_ft_in1k --amp --amp-dtype bfloat16 --input-size 3 256 320 --model-kwargs window_size=8,10 img_size=256,320

8月3日,2023年

  • 为 HRNet w18_small 和 w18_small_v2 添加 GluonCV 权重。由 SeeFun 转换。
  • 修复 selecsls* 模型命名回归问题
  • ViT/EVA 的 Patch 和位置嵌入适用于加载时的 bfloat16/float16 权重(或用于即时调整大小的激活值)
  • v0.9.5 版本发布准备

7月27日,2023年

  • 添加了 timm 训练的 seresnextaa201d_32x8d.sw_in12k_ft_in1k_384 权重(以及 .sw_in12k 预训练),在 ImageNet-1k 上达到了 87.3% 的 top-1 准确率,这是我所知的 ImageNet ResNet 系列模型中的最佳模型。
  • RepViT 模型和权重 (https://arxiv.org/abs/2307.09283) 由 wangao 添加
  • I-JEPA ViT 特征权重(无分类器)由 SeeFun 添加
  • SAM-ViT (segment anything) 特征权重(无分类器)由 SeeFun 添加
  • 为 EfficientNet 添加对替代特征提取方法和负索引的支持
  • 添加 NAdamW 优化器
  • 其他修复

5月11日,2023年

  • timm 0.9 发布,从 0.8.xdev 版本过渡

5月10日,2023年

  • Hugging Face Hub 下载现已成为默认设置,https://huggingface.co/timm 上有 1132 个模型,timm 中有 1163 个权重
  • 感谢 Leng Yue,添加了 DINOv2 vit 特征骨干网络权重
  • 添加了 FB MAE vit 特征骨干网络权重
  • 添加了 OpenCLIP DataComp-XL L/14 特征骨干网络权重
  • MetaFormer (poolformer-v2、caformer、convformer、更新后的 poolformer (v1)) 及其权重由 Fredo Guan 添加
  • 在 vit/deit 模型上添加了实验性的 get_intermediate_layers 函数,用于获取隐藏状态(灵感来自 DINO 实现)。这仍在开发中,可能会有重大更改……欢迎提供反馈。
  • 如果 pretrained=True 且不存在权重,模型创建将抛出错误(而不是继续随机初始化)
  • 修复了 inception / nasnet TF 源权重在原始分类器中具有 1001 个类别时的回归问题
  • bitsandbytes (https://github.com/TimDettmers/bitsandbytes) 优化器已添加到工厂,使用 bnb 前缀,例如 bnbadam8bit
  • 其他清理和修复
  • 切换到 0.9 版本并将 timm 从预发布状态中移除之前的最终测试

4月27日,2023年

  • 97% 的 timm 模型已上传到 HF Hub,几乎所有模型都已更新以支持多权重预训练配置
  • 由于添加了多权重,对另一批模型进行了少量清理和重构。增加了对 fused_attn (F.sdpa) 和 features_only 的支持,并修复了 torchscript。

4月21日,2023年

  • 梯度累积支持已添加到训练脚本并经过测试 (--grad-accum-steps),感谢 Taeksang Kim
  • HF Hub 上提供了更多权重(cspnet、cait、volo、xcit、tresnet、hardcorenas、densenet、dpn、vovnet、xception_aligned)
  • 在 train.py 中添加了 --head-init-scale--head-init-bias,用于缩放分类器头部并为微调设置固定偏差
  • 移除了所有 InplaceABN (inplace_abn) 的使用,在 tresnet 中用标准 BatchNorm 替换了使用(并相应地修改了权重)。

4月12日,2023年

  • 添加了 ONNX 导出脚本、验证脚本以及我长期以来一直在使用的辅助工具。调整了“same”填充,以便在使用最新的 ONNX + pytorch 时获得更好的导出效果。
  • 重构了 vit 和类似 vit 的模型的 dropout 参数,将 drop_rate 分离为 drop_rate(分类器 dropout)、proj_drop_rate(块 mlp / 输出投影)、pos_drop_rate(位置嵌入 dropout)、attn_drop_rate(注意力 dropout)。还为 vit 和 eva 模型添加了 patch dropout (FLIP)。
  • 为更多 vit 模型添加了 fused F.scaled_dot_product_attention 支持,添加了环境变量 (TIMM_FUSED_ATTN) 以进行控制,并添加了配置接口以启用/禁用
  • 添加了 EVA-CLIP 骨干网络及其图像塔权重,一直到 40 亿参数的“enormous”模型,以及遗漏的 336x336 OpenAI ViT 模式。

4月5日,2023年

  • 所有 ResNet 模型都已推送到 Hugging Face Hub,并支持多权重
  • 新的 ImageNet-12k + ImageNet-1k 微调可用于一些抗锯齿 ResNet 模型
    • resnetaa50d.sw_in12k_ft_in1k - 81.7 @ 224, 82.6 @ 288
    • resnetaa101d.sw_in12k_ft_in1k - 83.5 @ 224, 84.1 @ 288
    • seresnextaa101d_32x8d.sw_in12k_ft_in1k - 86.0 @ 224, 86.5 @ 288
    • seresnextaa101d_32x8d.sw_in12k_ft_in1k_288 - 86.5 @ 288, 86.7 @ 320

3月31日,2023年

  • 为 convnext-base/large CLIP 模型添加了首个 ConvNext-XXLarge CLIP -> IN-1k 微调和 IN-12k 中间微调。
模型 Top1 Top5 图像尺寸 参数量 gmacs macts
convnext_xxlarge.clip_laion2b_soup_ft_in1k 88.612 98.704 256 846.47 198.09 124.45
convnext_large_mlp.clip_laion2b_soup_ft_in12k_in1k_384 88.312 98.578 384 200.13 101.11 126.74
convnext_large_mlp.clip_laion2b_soup_ft_in12k_in1k_320 87.968 98.47 320 200.13 70.21 88.02
convnext_base.clip_laion2b_augreg_ft_in12k_in1k_384 87.138 98.212 384 88.59 45.21 84.49
convnext_base.clip_laion2b_augreg_ft_in12k_in1k 86.344 97.97 256 88.59 20.09 37.55
  • 添加了 EVA-02 MIM 预训练和微调权重,推送到 HF hub 并更新所有 EVA 模型的模型卡。首个 top-1 准确率超过 90% 的模型(top-5 准确率达到 99%)!请查看 https://github.com/baaivision/EVA 上的原始代码和权重,以了解更多关于他们将 MIM、CLIP 与多种模型、数据集和训练 recipe 调整相结合的工作细节。
模型 Top1 Top5 参数量 图像尺寸
eva02_large_patch14_448.mim_m38m_ft_in22k_in1k 90.054 99.042 305.08 448
eva02_large_patch14_448.mim_in22k_ft_in22k_in1k 89.946 99.01 305.08 448
eva_giant_patch14_560.m30m_ft_in22k_in1k 89.792 98.992 1014.45 560
eva02_large_patch14_448.mim_in22k_ft_in1k 89.626 98.954 305.08 448
eva02_large_patch14_448.mim_m38m_ft_in1k 89.57 98.918 305.08 448
eva_giant_patch14_336.m30m_ft_in22k_in1k 89.56 98.956 1013.01 336
eva_giant_patch14_336.clip_ft_in1k 89.466 98.82 1013.01 336
eva_large_patch14_336.in22k_ft_in22k_in1k 89.214 98.854 304.53 336
eva_giant_patch14_224.clip_ft_in1k 88.882 98.678 1012.56 224
eva02_base_patch14_448.mim_in22k_ft_in22k_in1k 88.692 98.722 87.12 448
eva_large_patch14_336.in22k_ft_in1k 88.652 98.722 304.53 336
eva_large_patch14_196.in22k_ft_in22k_in1k 88.592 98.656 304.14 196
eva02_base_patch14_448.mim_in22k_ft_in1k 88.23 98.564 87.12 448
eva_large_patch14_196.in22k_ft_in1k 87.934 98.504 304.14 196
eva02_small_patch14_336.mim_in22k_ft_in1k 85.74 97.614 22.13 336
eva02_tiny_patch14_336.mim_in22k_ft_in1k 80.658 95.524 5.76 336
  • DeiT 和基于 MLP-Mixer 的模型的多权重和 HF hub 支持

3月22日,2023年

  • 更多权重已推送到 HF hub,并支持多权重,包括:regnet.pyrexnet.pybyobnet.pyresnetv2.pyswin_transformer.pyswin_transformer_v2.pyswin_transformer_v2_cr.py
  • Swin Transformer 模型支持特征提取(swinv2_cr_* 的 NCHW 特征图,以及所有其他模型的 NHWC 特征图)和空间嵌入输出。
  • FocalNet (来自 https://github.com/microsoft/FocalNet) 模型和权重已添加,并进行了重大重构、特征提取,且没有固定的分辨率/尺寸约束
  • RegNet 权重已增加,通过 HF hub 推送了 SWAG、SEER 和 torchvision v2 权重。SEER 在模型大小的性能方面相当差,但可能仍然有用。
  • 更多 ImageNet-12k 预训练和 1k 微调的 timm 权重
    • rexnetr_200.sw_in12k_ft_in1k - 82.6 @ 224, 83.2 @ 288
    • rexnetr_300.sw_in12k_ft_in1k - 84.0 @ 224, 84.5 @ 288
    • regnety_120.sw_in12k_ft_in1k - 85.0 @ 224, 85.4 @ 288
    • regnety_160.lion_in12k_ft_in1k - 85.6 @ 224, 86.0 @ 288
    • regnety_160.sw_in12k_ft_in1k - 85.6 @ 224, 86.0 @ 288(与 SWAG PT + 1k FT 相比,性能相同,但分辨率低得多,远超 SEER FT)
  • 添加了模型名称弃用 + 重新映射功能(是将 0.8.x 从预发布状态中移除的一个里程碑)。正在添加映射……
  • 少量错误修复和改进。

2月26日,2023年

  • 添加了 ConvNeXt-XXLarge CLIP 预训练图像塔权重,用于微调和特征提取(微调待定)——请参阅 模型卡
  • convnext_xxlarge 默认 LayerNorm eps 更新为 1e-5(对于 CLIP 权重,提高了稳定性)
  • 0.8.15dev0

2月20日,2023年

  • 添加了 320x320 convnext_large_mlp.clip_laion2b_ft_320convnext_lage_mlp.clip_laion2b_ft_soup_320 CLIP 图像塔权重,用于特征提取和微调
  • 0.8.13dev0 pypi 版本发布,包含最新更改,并迁移到 huggingface org

2月16日,2023年

  • 添加了 safetensor 检查点支持
  • 添加了来自 ‘Scaling Vision Transformers to 22 B. Params’ (https://arxiv.org/abs/2302.05442) 的想法——qk 归一化、RmsNorm、并行块
  • vit_*vit_relpos_*coatnet/maxxvit 添加了 F.scaled_dot_product_attention 支持(仅限 PyTorch 2.0) (首先开始)
  • 添加了 Lion 优化器(带有 multi-tensor 选项)(https://arxiv.org/abs/2302.06675)
  • 梯度检查点机制适用于 features_only=True

2月7日,2023年

  • 新的推理基准测试数字已添加到 results 文件夹中。
  • 添加了 convnext LAION CLIP 训练的权重和 in1k 微调的初始集
    • convnext_base.clip_laion2b_augreg_ft_in1k - 86.2% @ 256x256
    • convnext_base.clip_laiona_augreg_ft_in1k_384 - 86.5% @ 384x384
    • convnext_large_mlp.clip_laion2b_augreg_ft_in1k - 87.3% @ 256x256
    • convnext_large_mlp.clip_laion2b_augreg_ft_in1k_384 - 87.9% @ 384x384
  • 添加了 DaViT 模型。支持 features_only=True。由 Fredohttps://github.com/dingmyu/davit 改编。
  • 在 MaxViT、ConvNeXt、DaViT 中使用通用的 NormMlpClassifierHead
  • 添加了 EfficientFormer-V2 模型,更新了 EfficientFormer,并重构了 LeViT(密切相关的架构)。权重在 HF hub 上。
    • 新的 EfficientFormer-V2 架构,从原始架构 (https://github.com/snap-research/EfficientFormer) 进行了重大重构。支持 features_only=True
    • 对 EfficientFormer 进行了少量更新。
    • 将 LeViT 模型重构为 stages,为新的 conv 变体添加了 features_only=True 支持,需要重新映射权重。
  • 将 ImageNet 元数据(synsets、indices)从 /results 移动到 timm/data/_info
  • 添加了 ImageNetInfo / DatasetInfo 类,以便为 timm 中各种 ImageNet 分类器布局提供标签
    • 更新了 inference.py 以供使用,尝试:python inference.py /folder/to/images --model convnext_small.in12k --label-type detail --topk 5
  • 准备发布 0.8.10 pypi 预发布版本(最终测试)。

1月20日,2023年

  • 在 384x384 分辨率下添加了两个 convnext 12k -> 1k 微调

    • convnext_tiny.in12k_ft_in1k_384 - 85.1 @ 384
    • convnext_small.in12k_ft_in1k_384 - 86.2 @ 384
  • 将所有 MaxxViT 权重推送到 HF hub,并为 rw 基础 MaxViT 和 CoAtNet 1/2 模型添加新的 ImageNet-12k -> 1k 微调

模型 Top1 Top5 样本/秒 参数量 (M) GMAC Act (M)
maxvit_xlarge_tf_512.in21k_ft_in1k 88.53 98.64 21.76 475.77 534.14 1413.22
maxvit_xlarge_tf_384.in21k_ft_in1k 88.32 98.54 42.53 475.32 292.78 668.76
maxvit_base_tf_512.in21k_ft_in1k 88.20 98.53 50.87 119.88 138.02 703.99
maxvit_large_tf_512.in21k_ft_in1k 88.04 98.40 36.42 212.33 244.75 942.15
maxvit_large_tf_384.in21k_ft_in1k 87.98 98.56 71.75 212.03 132.55 445.84
maxvit_base_tf_384.in21k_ft_in1k 87.92 98.54 104.71 119.65 73.80 332.90
maxvit_rmlp_base_rw_384.sw_in12k_ft_in1k 87.81 98.37 106.55 116.14 70.97 318.95
maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k 87.47 98.37 149.49 116.09 72.98 213.74
coatnet_rmlp_2_rw_384.sw_in12k_ft_in1k 87.39 98.31 160.80 73.88 47.69 209.43
maxvit_rmlp_base_rw_224.sw_in12k_ft_in1k 86.89 98.02 375.86 116.14 23.15 92.64
maxxvitv2_rmlp_base_rw_224.sw_in12k_ft_in1k 86.64 98.02 501.03 116.09 24.20 62.77
maxvit_base_tf_512.in1k 86.60 97.92 50.75 119.88 138.02 703.99
coatnet_2_rw_224.sw_in12k_ft_in1k 86.57 97.89 631.88 73.87 15.09 49.22
maxvit_large_tf_512.in1k 86.52 97.88 36.04 212.33 244.75 942.15
coatnet_rmlp_2_rw_224.sw_in12k_ft_in1k 86.49 97.90 620.58 73.88 15.18 54.78
maxvit_base_tf_384.in1k 86.29 97.80 101.09 119.65 73.80 332.90
maxvit_large_tf_384.in1k 86.23 97.69 70.56 212.03 132.55 445.84
maxvit_small_tf_512.in1k 86.10 97.76 88.63 69.13 67.26 383.77
maxvit_tiny_tf_512.in1k 85.67 97.58 144.25 31.05 33.49 257.59
maxvit_small_tf_384.in1k 85.54 97.46 188.35 69.02 35.87 183.65
maxvit_tiny_tf_384.in1k 85.11 97.38 293.46 30.98 17.53 123.42
maxvit_large_tf_224.in1k 84.93 96.97 247.71 211.79 43.68 127.35
coatnet_rmlp_1_rw2_224.sw_in12k_ft_in1k 84.90 96.96 1025.45 41.72 8.11 40.13
maxvit_base_tf_224.in1k 84.85 96.99 358.25 119.47 24.04 95.01
maxxvit_rmlp_small_rw_256.sw_in1k 84.63 97.06 575.53 66.01 14.67 58.38
coatnet_rmlp_2_rw_224.sw_in1k 84.61 96.74 625.81 73.88 15.18 54.78
maxvit_rmlp_small_rw_224.sw_in1k 84.49 96.76 693.82 64.90 10.75 49.30
maxvit_small_tf_224.in1k 84.43 96.83 647.96 68.93 11.66 53.17
maxvit_rmlp_tiny_rw_256.sw_in1k 84.23 96.78 807.21 29.15 6.77 46.92
coatnet_1_rw_224.sw_in1k 83.62 96.38 989.59 41.72 8.04 34.60
maxvit_tiny_rw_224.sw_in1k 83.50 96.50 1100.53 29.06 5.11 33.11
maxvit_tiny_tf_224.in1k 83.41 96.59 1004.94 30.92 5.60 35.78
coatnet_rmlp_1_rw_224.sw_in1k 83.36 96.45 1093.03 41.69 7.85 35.47
maxxvitv2_nano_rw_256.sw_in1k 83.11 96.33 1276.88 23.70 6.26 23.05
maxxvit_rmlp_nano_rw_256.sw_in1k 83.03 96.34 1341.24 16.78 4.37 26.05
maxvit_rmlp_nano_rw_256.sw_in1k 82.96 96.26 1283.24 15.50 4.47 31.92
maxvit_nano_rw_256.sw_in1k 82.93 96.23 1218.17 15.45 4.46 30.28
coatnet_bn_0_rw_224.sw_in1k 82.39 96.19 1600.14 27.44 4.67 22.04
coatnet_0_rw_224.sw_in1k 82.39 95.84 1831.21 27.44 4.43 18.73
coatnet_rmlp_nano_rw_224.sw_in1k 82.05 95.87 2109.09 15.15 2.62 20.34
coatnext_nano_rw_224.sw_in1k 81.95 95.92 2525.52 14.70 2.47 12.80
coatnet_nano_rw_224.sw_in1k 81.70 95.64 2344.52 15.14 2.41 15.41
maxvit_rmlp_pico_rw_256.sw_in1k 80.53 95.21 1594.71 7.52 1.85 24.86

1月11日,2023年

  • 更新了 ConvNeXt ImageNet-12k 预训练系列,包含两个新的微调权重(以及预 FT .in12k 标签)
    • convnext_nano.in12k_ft_in1k - 82.3 @ 224, 82.9 @ 288(之前已发布)
    • convnext_tiny.in12k_ft_in1k - 84.2 @ 224, 84.5 @ 288
    • convnext_small.in12k_ft_in1k - 85.2 @ 224, 85.3 @ 288

1月6日,2023年

  • 最终添加了 --model-kwargs--opt-kwargs 到脚本,以便从命令行将不常用的参数直接传递到模型类
    • train.py /imagenet --model resnet50 --amp --model-kwargs output_stride=16 act_layer=silu
    • train.py /imagenet --model vit_base_patch16_clip_224 --img-size 240 --amp --model-kwargs img_size=240 patch_size=12
  • 清理了一些流行的模型,以更好地支持参数传递/与模型配置合并,更多工作正在进行中。

1月5日,2023年

12月23日,2022年 🎄☃

  • 添加了 FlexiViT 模型和权重,来自 https://github.com/google-research/big_vision(请查看论文 https://arxiv.org/abs/2212.08013
    • 注意:目前调整大小在模型创建时是静态的,即时动态/训练 patch 大小采样正在开发中 (WIP)
  • 更多模型已更新为多权重,现在可以通过 HF hub 下载(convnext、efficientnet、mobilenet、vision_transformer*、beit)
  • 更多模型预训练标签和调整,一些模型名称已更改(正在进行弃用翻译,目前将主分支视为 DEV 分支,稳定使用请使用 0.6.x)
  • 涌现出更多 ImageNet-12k(22k 的子集)预训练模型
    • efficientnet_b5.in12k_ft_in1k - 85.9 @ 448x448
    • vit_medium_patch16_gap_384.in12k_ft_in1k - 85.5 @ 384x384
    • vit_medium_patch16_gap_256.in12k_ft_in1k - 84.5 @ 256x256
    • convnext_nano.in12k_ft_in1k - 82.9 @ 288x288

12月8日,2022年

  • 将 ‘EVA l’ 添加到 vision_transformer.py,MAE 风格的 ViT-L/14 MIM 预训练,使用 EVA-CLIP 目标,在 ImageNet-1k 上进行 FT(对于某些模型,使用 ImageNet-22k 作为中间步骤)
模型 Top1 参数量 gmac macts hub
eva_large_patch14_336.in22k_ft_in22k_in1k 89.2 304.5 191.1 270.2 链接
eva_large_patch14_336.in22k_ft_in1k 88.7 304.5 191.1 270.2 链接
eva_large_patch14_196.in22k_ft_in22k_in1k 88.6 304.1 61.6 63.5 链接
eva_large_patch14_196.in22k_ft_in1k 87.9 304.1 61.6 63.5 链接

Dec 6, 2022

模型 Top1 参数量 gmac macts hub
eva_giant_patch14_560.m30m_ft_in22k_in1k 89.8 1014.4 1906.8 2577.2 链接
eva_giant_patch14_336.m30m_ft_in22k_in1k 89.6 1013 620.6 550.7 链接
eva_giant_patch14_336.clip_ft_in1k 89.4 1013 620.6 550.7 链接
eva_giant_patch14_224.clip_ft_in1k 89.1 1012.6 267.2 192.6 链接

Dec 5, 2022

  • 多权重支持 (model_arch.pretrained_tag) 的预发布版本 (0.8.0dev0)。使用 pip install --pre timm 安装
    • vision_transformer、maxvit、convnext 是首批支持的三种模型实现
    • 模型名称正在随之更改(之前的 _21k 等函数将会合并),仍在整理弃用处理
    • 可能存在错误,但我需要反馈,所以请尝试一下
    • 如果需要稳定性,请使用 0.6.x pypi 版本或从 0.6.x 分支 克隆
  • 在 train/validate/inference/benchmark 中添加了对 PyTorch 2.0 compile 的支持,使用 --torchcompile 参数
  • 推理脚本允许更多地控制输出,选择 k 以获取前 k 类的索引 + 概率 json、csv 或 parquet 输出
  • 添加了一整套来自 LAION-2B 和原始 OpenAI CLIP 模型的微调 CLIP 图像塔权重
模型 Top1 参数量 gmac macts hub
vit_huge_patch14_clip_336.laion2b_ft_in12k_in1k 88.6 632.5 391 407.5 链接
vit_large_patch14_clip_336.openai_ft_in12k_in1k 88.3 304.5 191.1 270.2 链接
vit_huge_patch14_clip_224.laion2b_ft_in12k_in1k 88.2 632 167.4 139.4 链接
vit_large_patch14_clip_336.laion2b_ft_in12k_in1k 88.2 304.5 191.1 270.2 链接
vit_large_patch14_clip_224.openai_ft_in12k_in1k 88.2 304.2 81.1 88.8 链接
vit_large_patch14_clip_224.laion2b_ft_in12k_in1k 87.9 304.2 81.1 88.8 链接
vit_large_patch14_clip_224.openai_ft_in1k 87.9 304.2 81.1 88.8 链接
vit_large_patch14_clip_336.laion2b_ft_in1k 87.9 304.5 191.1 270.2 链接
vit_huge_patch14_clip_224.laion2b_ft_in1k 87.6 632 167.4 139.4 链接
vit_large_patch14_clip_224.laion2b_ft_in1k 87.3 304.2 81.1 88.8 链接
vit_base_patch16_clip_384.laion2b_ft_in12k_in1k 87.2 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.openai_ft_in12k_in1k 87 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.laion2b_ft_in1k 86.6 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.openai_ft_in1k 86.2 86.9 55.5 101.6 链接
vit_base_patch16_clip_224.laion2b_ft_in12k_in1k 86.2 86.6 17.6 23.9 链接
vit_base_patch16_clip_224.openai_ft_in12k_in1k 85.9 86.6 17.6 23.9 链接
vit_base_patch32_clip_448.laion2b_ft_in12k_in1k 85.8 88.3 17.9 23.9 链接
vit_base_patch16_clip_224.laion2b_ft_in1k 85.5 86.6 17.6 23.9 链接
vit_base_patch32_clip_384.laion2b_ft_in12k_in1k 85.4 88.3 13.1 16.5 链接
vit_base_patch16_clip_224.openai_ft_in1k 85.3 86.6 17.6 23.9 链接
vit_base_patch32_clip_384.openai_ft_in12k_in1k 85.2 88.3 13.1 16.5 链接
vit_base_patch32_clip_224.laion2b_ft_in12k_in1k 83.3 88.2 4.4 5 链接
vit_base_patch32_clip_224.laion2b_ft_in1k 82.6 88.2 4.4 5 链接
vit_base_patch32_clip_224.openai_ft_in1k 81.9 88.2 4.4 5 链接
  • 从官方实现 https://github.com/google-research/maxvit 移植 MaxViT Tensorflow 权重
    • 对于放大的 384/512 in21k 微调权重,存在比预期更大的下降,可能缺少细节,但 21k FT 似乎对小的预处理很敏感
模型 Top1 参数量 gmac macts hub
maxvit_xlarge_tf_512.in21k_ft_in1k 88.5 475.8 534.1 1413.2 链接
maxvit_xlarge_tf_384.in21k_ft_in1k 88.3 475.3 292.8 668.8 链接
maxvit_base_tf_512.in21k_ft_in1k 88.2 119.9 138 704 链接
maxvit_large_tf_512.in21k_ft_in1k 88 212.3 244.8 942.2 链接
maxvit_large_tf_384.in21k_ft_in1k 88 212 132.6 445.8 链接
maxvit_base_tf_384.in21k_ft_in1k 87.9 119.6 73.8 332.9 链接
maxvit_base_tf_512.in1k 86.6 119.9 138 704 链接
maxvit_large_tf_512.in1k 86.5 212.3 244.8 942.2 链接
maxvit_base_tf_384.in1k 86.3 119.6 73.8 332.9 链接
maxvit_large_tf_384.in1k 86.2 212 132.6 445.8 链接
maxvit_small_tf_512.in1k 86.1 69.1 67.3 383.8 链接
maxvit_tiny_tf_512.in1k 85.7 31 33.5 257.6 链接
maxvit_small_tf_384.in1k 85.5 69 35.9 183.6 链接
maxvit_tiny_tf_384.in1k 85.1 31 17.5 123.4 链接
maxvit_large_tf_224.in1k 84.9 211.8 43.7 127.4 链接
maxvit_base_tf_224.in1k 84.9 119.5 24 95 链接
maxvit_small_tf_224.in1k 84.4 68.9 11.7 53.2 链接
maxvit_tiny_tf_224.in1k 83.4 30.9 5.6 35.8 链接

Oct 15, 2022

  • 训练和验证脚本增强
  • 非 GPU(即 CPU)设备支持
  • 训练脚本的 SLURM 兼容性
  • HF 数据集支持(通过 ReaderHfds)
  • TFDS/WDS 数据加载改进(针对分布式使用的样本填充/包装已修复,与样本计数估计相关)
  • 脚本/加载器的 in_chans !=3 支持
  • Adan 优化器
  • 可以通过 args 启用每步 LR 调度
  • 数据集 ‘parsers’ 重命名为 ‘readers’,更具描述性
  • AMP args 已更改,APEX 通过 --amp-impl apex,bfloat16 支持通过 --amp-dtype bfloat16
  • 主分支切换到 0.7.x 版本,0.6x 分支用于仅添加权重的稳定版本
  • master -> main 分支重命名

Oct 10, 2022

  • maxxvit 系列中更多权重,包括首个基于 ConvNeXt 块的 coatnextmaxxvit 实验
    • coatnext_nano_rw_224 - 82.0 @ 224 (G) —(使用 ConvNeXt conv 块,无 BatchNorm)
    • maxxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.7 @ 320 (G) (使用 ConvNeXt conv 块,无 BN)
    • maxvit_rmlp_small_rw_224 - 84.5 @ 224, 85.1 @ 320 (G)
    • maxxvit_rmlp_small_rw_256 - 84.6 @ 256, 84.9 @ 288 (G) — 可能可以训练得更好,hparams 需要调整(使用 ConvNeXt 块,无 BN)
    • coatnet_rmlp_2_rw_224 - 84.6 @ 224, 85 @ 320 (T)
    • 注意:官方 MaxVit 权重 (in1k) 已在 https://github.com/google-research/maxvit 上发布 — 由于我的实现是独立于他们的实现创建的,并且有一些小的差异 + 整个 TF 相同填充的乐趣,因此需要额外的工作来移植和适配。

Sept 23, 2022

  • LAION-2B CLIP 图像塔支持作为微调或特征的预训练骨干网络(无分类器)
    • vit_base_patch32_224_clip_laion2b
    • vit_large_patch14_224_clip_laion2b
    • vit_huge_patch14_224_clip_laion2b
    • vit_giant_patch14_224_clip_laion2b

Sept 7, 2022

  • Hugging Face timm 文档 主页现已存在,未来请在此处查找更多内容
  • https://github.com/microsoft/unilm/tree/master/beit2 添加基础模型和大型 224x224 模型的 BEiT-v2 权重
  • maxxvit 系列中添加更多权重,包括 pico(750 万参数,1.9 GMACs)、两个 tiny 变体
    • maxvit_rmlp_pico_rw_256 - 80.5 @ 256, 81.3 @ 320 (T)
    • maxvit_tiny_rw_224 - 83.5 @ 224 (G)
    • maxvit_rmlp_tiny_rw_256 - 84.2 @ 256, 84.8 @ 320 (T)

Aug 29, 2022

  • 默认情况下,MaxVit 窗口大小随 img_size 缩放。添加利用此特性的新 RelPosMlp MaxViT 权重
    • maxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.6 @ 320 (T)

Aug 26, 2022

Aug 15, 2022

  • 添加了 ConvNeXt atto 权重
    • convnext_atto - 75.7 @ 224, 77.0 @ 288
    • convnext_atto_ols - 75.9 @ 224, 77.2 @ 288

Aug 5, 2022

  • 更多自定义 ConvNeXt 更小模型定义及其权重
    • convnext_femto - 77.5 @ 224, 78.7 @ 288
    • convnext_femto_ols - 77.9 @ 224, 78.9 @ 288
    • convnext_pico - 79.5 @ 224, 80.4 @ 288
    • convnext_pico_ols - 79.5 @ 224, 80.5 @ 288
    • convnext_nano_ols - 80.9 @ 224, 81.6 @ 288
  • 更新了 EdgeNeXt 以改进 ONNX 导出,从原始版本 (https://github.com/mmaaz60/EdgeNeXt) 添加了新的基础变体和权重

July 28, 2022

  • 添加了新近铸造的 DeiT-III Medium(宽度=512,深度=12,num_heads=8)模型权重。感谢 Hugo Touvron

July 27, 2022

  • 所有运行时基准测试和验证结果 csv 文件终于更新了!
  • 添加了一些权重和模型定义
    • darknetaa53 - 79.8 @ 256, 80.5 @ 288
    • convnext_nano - 80.8 @ 224, 81.5 @ 288
    • cs3sedarknet_l - 81.2 @ 256, 81.8 @ 288
    • cs3darknet_x - 81.8 @ 256, 82.2 @ 288
    • cs3sedarknet_x - 82.2 @ 256, 82.7 @ 288
    • cs3edgenet_x - 82.2 @ 256, 82.7 @ 288
    • cs3se_edgenet_x - 82.8 @ 256, 83.5 @ 320
  • 上面的 cs3* 权重均在 TPU 上使用 bits_and_tpu 分支进行训练。感谢 TRC 计划!
  • 为 ConvNeXt 添加 output_stride=8 和 16 支持(扩张)
  • 修复了 deit3 模型无法调整 pos_emb 大小的问题
  • 版本 0.6.7 PyPi 发布(/w 自 0.6.5 以来的上述错误修复和新权重)

July 8, 2022

更多模型,更多修复

  • 添加了官方研究模型(带权重)
  • 我自己的模型
    • 根据请求添加了小的 ResNet 定义,基本型和瓶颈型都重复 1 个块(resnet10 和 resnet14)
    • 使用 dataclass 配置重构了 CspNet,简化了 CrossStage3 (cs3) 选项。这些更接近 YOLO-v5+ 骨干网络定义。
    • 更多相对位置 vit 调整。训练了两个 srelpos(共享相对位置)模型,以及一个带有类令牌的 medium 模型。
    • 为 EdgeNeXt 添加了备用下采样模式,并训练了一个 small 模型。比原始 small 模型更好,但不如他们新的 USI 训练权重。
  • 我自己的模型权重结果(所有 ImageNet-1k 训练)
    • resnet10t - 66.5 @ 176, 68.3 @ 224
    • resnet14t - 71.3 @ 176, 72.3 @ 224
    • resnetaa50 - 80.6 @ 224 , 81.6 @ 288
    • darknet53 - 80.0 @ 256, 80.5 @ 288
    • cs3darknet_m - 77.0 @ 256, 77.6 @ 288
    • cs3darknet_focus_m - 76.7 @ 256, 77.3 @ 288
    • cs3darknet_l - 80.4 @ 256, 80.9 @ 288
    • cs3darknet_focus_l - 80.3 @ 256, 80.9 @ 288
    • vit_srelpos_small_patch16_224 - 81.1 @ 224, 82.1 @ 320
    • vit_srelpos_medium_patch16_224 - 82.3 @ 224, 83.1 @ 320
    • vit_relpos_small_patch16_cls_224 - 82.6 @ 224, 83.6 @ 320
    • edgnext_small_rw - 79.6 @ 224, 80.4 @ 320
  • 上面的 cs3darknetvit_*relpos 权重均在 TPU 上训练,这要归功于 TRC 计划!其余在过热的 GPU 上训练。
  • Hugging Face Hub 支持修复已验证,演示笔记本 TBA
  • 预训练权重/配置可以从外部加载(即从本地磁盘加载),并支持头部适配。
  • 添加了更改 timm 数据集/读取器扫描的图像扩展名的支持。请参阅 (https://github.com/rwightman/pytorch-image-models/pull/1274#issuecomment-1178303103)
  • 默认 ConvNeXt LayerNorm 实现使用 F.layer_norm(x.permute(0, 2, 3, 1), ...).permute(0, 3, 1, 2) 通过所有情况下的 LayerNorm2d
    • 在某些硬件(例如带有 CL 的 Ampere)上比以前的自定义实现稍慢,但总体而言,在更广泛的硬件/PyTorch 版本范围内,回归较少。
    • 以前的实现作为 LayerNormExp2d 存在于 models/layers/norm.py
  • 大量错误修复
  • 目前正在测试即将发布的 PyPi 0.6.x 版本
  • 更大模型的 LeViT 预训练仍然是 WIP,它们在没有蒸馏的情况下训练效果不佳/不容易训练。是时候添加蒸馏支持了吗(终于)?
  • ImageNet-22k 权重训练 + 微调正在进行中,多权重支持的工作(缓慢地)进行中(权重非常多,叹气)……

May 13, 2022

  • 从 (https://github.com/microsoft/Swin-Transformer) 添加了官方 Swin-V2 模型和权重。已清理以支持 torchscript。
  • 对现有 timm Swin-V2-CR 实现进行了一些重构,可能会做更多工作,使部分更接近官方版本,并决定是否合并某些方面。
  • 更多 Vision Transformer 相对位置/残差后归一化实验(全部在 TPU 上训练,感谢 TRC 计划)
    • vit_relpos_small_patch16_224 - 81.5 @ 224, 82.5 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_relpos_medium_patch16_rpn_224 - 82.3 @ 224, 83.1 @ 320 — rel pos + res-post-norm、无类令牌、平均池化
    • vit_relpos_medium_patch16_224 - 82.5 @ 224, 83.3 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_relpos_base_patch16_gapcls_224 - 82.8 @ 224, 83.9 @ 320 — rel pos、层缩放、类令牌、平均池化(错误地)
  • 将 512 维、8 头 ‘medium’ ViT 模型变体重新启用(在 2020 年首次 ViT 实现的 pre DeiT ‘small’ 模型中使用后)
  • 添加 ViT 相对位置支持,用于在现有实现和官方 Swin-V2 实现中的一些新增功能之间切换,以进行未来试验
  • Sequencer2D 实现 (https://arxiv.org/abs/2205.01972),通过作者的 PR 添加 (https://github.com/okojoalg)

May 2, 2022

  • Vision Transformer 实验添加相对位置(Swin-V2 log-coord)(vision_transformer_relpos.py) 和残差后归一化分支(来自 Swin-V2)(vision_transformer*.py)
    • vit_relpos_base_patch32_plus_rpn_256 - 79.5 @ 256, 80.6 @ 320 — rel pos + 扩展宽度 + res-post-norm、无类令牌、平均池化
    • vit_relpos_base_patch16_224 - 82.5 @ 224, 83.6 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_base_patch16_rpn_224 - 82.3 @ 224 — rel pos + res-post-norm、无类令牌、平均池化
  • Vision Transformer 重构以删除表示层,该表示层仅在初始 vit 中使用,并且自更新的预训练(即 How to Train Your ViT)以来很少使用
  • vit_* 模型支持删除类令牌、使用全局平均池化、使用 fc_norm(ala beit、mae)。

April 22, 2022

  • timm 模型现在在 fast.ai 中获得官方支持!恰逢新的实用深度学习课程推出。timmdocs 文档链接已更新为 timm.fast.ai
  • 在 TPU 训练的 系列 中添加了另外两个模型权重。一些 In22k 预训练仍在进行中。
    • seresnext101d_32x8d - 83.69 @ 224, 84.35 @ 288
    • seresnextaa101d_32x8d(抗锯齿,带 AvgPool2d)- 83.85 @ 224, 84.57 @ 288

March 23, 2022

  • 向基础 vit 模型添加 ParallelBlockLayerScale 选项,以支持 关于 ViT 的每个人都应该知道的三件事 中的模型配置
  • 使用(接近)A2 配方训练的 convnext_tiny_hnf(头部归一化优先)权重,top-1 准确率为 82.2%,可以通过更多 epoch 获得更好的结果。

March 21, 2022

  • 合并 norm_norm_norm重要提示:此更新适用于即将发布的 0.6.x 版本,可能会在一段时间内使主分支不稳定。如果需要稳定性,可以使用 0.5.x 分支或之前的 0.5.x 版本。
  • 如本 版本 中所述的重大权重更新(全部在 TPU 上训练)
    • regnety_040 - 82.3 @ 224, 82.96 @ 288
    • regnety_064 - 83.0 @ 224, 83.65 @ 288
    • regnety_080 - 83.17 @ 224, 83.86 @ 288
    • regnetv_040 - 82.44 @ 224, 83.18 @ 288 (timm pre-act)
    • regnetv_064 - 83.1 @ 224, 83.71 @ 288 (timm pre-act)
    • regnetz_040 - 83.67 @ 256, 84.25 @ 320
    • regnetz_040h - 83.77 @ 256, 84.5 @ 320 (头部带有额外的 fc)
    • resnetv2_50d_gn - 80.8 @ 224, 81.96 @ 288 (pre-act GroupNorm)
    • resnetv2_50d_evos 80.77 @ 224, 82.04 @ 288 (pre-act EvoNormS)
    • regnetz_c16_evos - 81.9 @ 256, 82.64 @ 320 (EvoNormS)
    • regnetz_d8_evos - 83.42 @ 256, 84.04 @ 320 (EvoNormS)
    • xception41p - 82 @ 299 (timm pre-act)
    • xception65 - 83.17 @ 299
    • xception65p - 83.14 @ 299 (timm pre-act)
    • resnext101_64x4d - 82.46 @ 224, 83.16 @ 288
    • seresnext101_32x8d - 83.57 @ 224, 84.270 @ 288
    • resnetrs200 - 83.85 @ 256, 84.44 @ 320
  • 修复了 HuggingFace hub 支持,并为允许预训练模型定义和权重的替代 ‘config sources’ 奠定了初步基础(通用本地文件/远程 url 支持即将推出)
  • 添加了 SwinTransformer-V2 实现。由 Christoph Reich 提交。我自己正在进行训练实验和模型更改,因此预计会出现兼容性中断。
  • https://github.com/microsoft/Cream/tree/main/AutoFormerV2 添加了 Swin-S3 (AutoFormerV2) 模型/权重
  • MobileViT 模型及其权重改编自 https://github.com/apple/ml-cvnets
  • PoolFormer 模型及其权重改编自 https://github.com/sail-sg/poolformer
  • VOLO 模型及其权重改编自 https://github.com/sail-sg/volo
  • 在实验非 BatchNorm 归一化层(例如 EvoNorm、FilterResponseNorm、GroupNorm 等)方面做了大量工作
  • 增强了对添加到许多模型中的备用归一化 + 激活 (‘NormAct’) 层的支持,尤其是 EfficientNet/MobileNetV3、RegNet 和对齐的 Xception
  • 为 EfficientNet 系列添加了分组卷积支持
  • 为所有模型添加了 ‘group matching’ API,以允许对模型参数进行分组,以便应用 ‘layer-wise’ LR 衰减,LR 缩放添加到 LR 调度器
  • 为许多模型添加了梯度检查点支持
  • forward_head(x, pre_logits=False) 函数添加到所有模型,以允许分别调用 forward_featuresforward_head
  • 所有 vision transformer 和 vision MLP 模型更新后,将从 foward_features 返回非池化/非标记选择的特征,为了与 CNN 模型保持一致,标记选择或池化现在应用于 forward_head 中。

2022 年 2 月 2 日

  • Chris Hughes 昨天在他的博客上发布了对 timm 的详尽介绍。非常值得一读。 《PyTorch 图像模型 (timm) 入门:从业者指南》
  • 我目前正在准备将 norm_norm_norm 分支合并回主分支 (版本 0.6.x),预计在下周左右。
    • 这些更改比平常更广泛,可能会 destabilize 并破坏一些模型 API 的使用(目标是完全向后兼容)。因此,请注意 pip install git+https://github.com/rwightman/pytorch-image-models 安装!
    • 0.5.x 版本和 0.5.x 分支将保持稳定,并进行一到两次的 cherry pick,直到尘埃落定。如果您想要稳定版本,建议暂时坚持使用 pypi 安装。

2022 年 1 月 14 日

  • 版本 0.5.4 即将发布到 pypi。距离上次 pypi 更新已经有一段时间了,风险较高的更改将很快合并到主分支…
  • 添加 ConvNeXT 模型,包含来自官方实现的权重 (https://github.com/facebookresearch/ConvNeXt),一些性能调整,并与 timm 特性兼容。
  • 尝试训练了一些小型(约 1.8-3M 参数)/移动优化的模型,到目前为止,其中一些效果不错,更多模型正在开发中…
    • mnasnet_small - Top-1 准确率 65.6
    • mobilenetv2_050 - 65.9
    • lcnet_100/075/050 - 72.1 / 68.8 / 63.1
    • semnasnet_075 - 73
    • fbnetv3_b/d/g - 79.1 / 79.7 / 82.0
  • TinyNet 模型由 rsomani95 添加。
  • LCNet 通过 MobileNetV3 架构添加。

1月5日,2023年

12月23日,2022年 🎄☃

  • 添加了 FlexiViT 模型和权重,来自 https://github.com/google-research/big_vision(请查看论文 https://arxiv.org/abs/2212.08013
    • 注意:目前调整大小在模型创建时是静态的,即时动态/训练 patch 大小采样正在开发中 (WIP)
  • 更多模型已更新为多权重,现在可以通过 HF hub 下载(convnext、efficientnet、mobilenet、vision_transformer*、beit)
  • 更多模型预训练标签和调整,一些模型名称已更改(正在进行弃用翻译,目前将主分支视为 DEV 分支,稳定使用请使用 0.6.x)
  • 涌现出更多 ImageNet-12k(22k 的子集)预训练模型
    • efficientnet_b5.in12k_ft_in1k - 85.9 @ 448x448
    • vit_medium_patch16_gap_384.in12k_ft_in1k - 85.5 @ 384x384
    • vit_medium_patch16_gap_256.in12k_ft_in1k - 84.5 @ 256x256
    • convnext_nano.in12k_ft_in1k - 82.9 @ 288x288

12月8日,2022年

  • 将 ‘EVA l’ 添加到 vision_transformer.py,MAE 风格的 ViT-L/14 MIM 预训练,使用 EVA-CLIP 目标,在 ImageNet-1k 上进行 FT(对于某些模型,使用 ImageNet-22k 作为中间步骤)
模型 Top1 参数量 gmac macts hub
eva_large_patch14_336.in22k_ft_in22k_in1k 89.2 304.5 191.1 270.2 链接
eva_large_patch14_336.in22k_ft_in1k 88.7 304.5 191.1 270.2 链接
eva_large_patch14_196.in22k_ft_in22k_in1k 88.6 304.1 61.6 63.5 链接
eva_large_patch14_196.in22k_ft_in1k 87.9 304.1 61.6 63.5 链接

Dec 6, 2022

模型 Top1 参数量 gmac macts hub
eva_giant_patch14_560.m30m_ft_in22k_in1k 89.8 1014.4 1906.8 2577.2 链接
eva_giant_patch14_336.m30m_ft_in22k_in1k 89.6 1013 620.6 550.7 链接
eva_giant_patch14_336.clip_ft_in1k 89.4 1013 620.6 550.7 链接
eva_giant_patch14_224.clip_ft_in1k 89.1 1012.6 267.2 192.6 链接

Dec 5, 2022

  • 多权重支持 (model_arch.pretrained_tag) 的预发布版本 (0.8.0dev0)。使用 pip install --pre timm 安装
    • vision_transformer、maxvit、convnext 是首批支持的三种模型实现
    • 模型名称正在随之更改(之前的 _21k 等函数将会合并),仍在整理弃用处理
    • 可能存在错误,但我需要反馈,所以请尝试一下
    • 如果需要稳定性,请使用 0.6.x pypi 版本或从 0.6.x 分支 克隆
  • 在 train/validate/inference/benchmark 中添加了对 PyTorch 2.0 compile 的支持,使用 --torchcompile 参数
  • 推理脚本允许更多地控制输出,选择 k 以获取前 k 类的索引 + 概率 json、csv 或 parquet 输出
  • 添加了一整套来自 LAION-2B 和原始 OpenAI CLIP 模型的微调 CLIP 图像塔权重
模型 Top1 参数量 gmac macts hub
vit_huge_patch14_clip_336.laion2b_ft_in12k_in1k 88.6 632.5 391 407.5 链接
vit_large_patch14_clip_336.openai_ft_in12k_in1k 88.3 304.5 191.1 270.2 链接
vit_huge_patch14_clip_224.laion2b_ft_in12k_in1k 88.2 632 167.4 139.4 链接
vit_large_patch14_clip_336.laion2b_ft_in12k_in1k 88.2 304.5 191.1 270.2 链接
vit_large_patch14_clip_224.openai_ft_in12k_in1k 88.2 304.2 81.1 88.8 链接
vit_large_patch14_clip_224.laion2b_ft_in12k_in1k 87.9 304.2 81.1 88.8 链接
vit_large_patch14_clip_224.openai_ft_in1k 87.9 304.2 81.1 88.8 链接
vit_large_patch14_clip_336.laion2b_ft_in1k 87.9 304.5 191.1 270.2 链接
vit_huge_patch14_clip_224.laion2b_ft_in1k 87.6 632 167.4 139.4 链接
vit_large_patch14_clip_224.laion2b_ft_in1k 87.3 304.2 81.1 88.8 链接
vit_base_patch16_clip_384.laion2b_ft_in12k_in1k 87.2 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.openai_ft_in12k_in1k 87 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.laion2b_ft_in1k 86.6 86.9 55.5 101.6 链接
vit_base_patch16_clip_384.openai_ft_in1k 86.2 86.9 55.5 101.6 链接
vit_base_patch16_clip_224.laion2b_ft_in12k_in1k 86.2 86.6 17.6 23.9 链接
vit_base_patch16_clip_224.openai_ft_in12k_in1k 85.9 86.6 17.6 23.9 链接
vit_base_patch32_clip_448.laion2b_ft_in12k_in1k 85.8 88.3 17.9 23.9 链接
vit_base_patch16_clip_224.laion2b_ft_in1k 85.5 86.6 17.6 23.9 链接
vit_base_patch32_clip_384.laion2b_ft_in12k_in1k 85.4 88.3 13.1 16.5 链接
vit_base_patch16_clip_224.openai_ft_in1k 85.3 86.6 17.6 23.9 链接
vit_base_patch32_clip_384.openai_ft_in12k_in1k 85.2 88.3 13.1 16.5 链接
vit_base_patch32_clip_224.laion2b_ft_in12k_in1k 83.3 88.2 4.4 5 链接
vit_base_patch32_clip_224.laion2b_ft_in1k 82.6 88.2 4.4 5 链接
vit_base_patch32_clip_224.openai_ft_in1k 81.9 88.2 4.4 5 链接
  • 从官方实现 https://github.com/google-research/maxvit 移植 MaxViT Tensorflow 权重
    • 对于放大的 384/512 in21k 微调权重,存在比预期更大的下降,可能缺少细节,但 21k FT 似乎对小的预处理很敏感
模型 Top1 参数量 gmac macts hub
maxvit_xlarge_tf_512.in21k_ft_in1k 88.5 475.8 534.1 1413.2 链接
maxvit_xlarge_tf_384.in21k_ft_in1k 88.3 475.3 292.8 668.8 链接
maxvit_base_tf_512.in21k_ft_in1k 88.2 119.9 138 704 链接
maxvit_large_tf_512.in21k_ft_in1k 88 212.3 244.8 942.2 链接
maxvit_large_tf_384.in21k_ft_in1k 88 212 132.6 445.8 链接
maxvit_base_tf_384.in21k_ft_in1k 87.9 119.6 73.8 332.9 链接
maxvit_base_tf_512.in1k 86.6 119.9 138 704 链接
maxvit_large_tf_512.in1k 86.5 212.3 244.8 942.2 链接
maxvit_base_tf_384.in1k 86.3 119.6 73.8 332.9 链接
maxvit_large_tf_384.in1k 86.2 212 132.6 445.8 链接
maxvit_small_tf_512.in1k 86.1 69.1 67.3 383.8 链接
maxvit_tiny_tf_512.in1k 85.7 31 33.5 257.6 链接
maxvit_small_tf_384.in1k 85.5 69 35.9 183.6 链接
maxvit_tiny_tf_384.in1k 85.1 31 17.5 123.4 链接
maxvit_large_tf_224.in1k 84.9 211.8 43.7 127.4 链接
maxvit_base_tf_224.in1k 84.9 119.5 24 95 链接
maxvit_small_tf_224.in1k 84.4 68.9 11.7 53.2 链接
maxvit_tiny_tf_224.in1k 83.4 30.9 5.6 35.8 链接

Oct 15, 2022

  • 训练和验证脚本增强
  • 非 GPU(即 CPU)设备支持
  • 训练脚本的 SLURM 兼容性
  • HF 数据集支持(通过 ReaderHfds)
  • TFDS/WDS 数据加载改进(针对分布式使用的样本填充/包装已修复,与样本计数估计相关)
  • 脚本/加载器的 in_chans !=3 支持
  • Adan 优化器
  • 可以通过 args 启用每步 LR 调度
  • 数据集 ‘parsers’ 重命名为 ‘readers’,更具描述性
  • AMP args 已更改,APEX 通过 --amp-impl apex,bfloat16 支持通过 --amp-dtype bfloat16
  • 主分支切换到 0.7.x 版本,0.6x 分支用于仅添加权重的稳定版本
  • master -> main 分支重命名

Oct 10, 2022

  • maxxvit 系列中更多权重,包括首个基于 ConvNeXt 块的 coatnextmaxxvit 实验
    • coatnext_nano_rw_224 - 82.0 @ 224 (G) —(使用 ConvNeXt conv 块,无 BatchNorm)
    • maxxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.7 @ 320 (G) (使用 ConvNeXt conv 块,无 BN)
    • maxvit_rmlp_small_rw_224 - 84.5 @ 224, 85.1 @ 320 (G)
    • maxxvit_rmlp_small_rw_256 - 84.6 @ 256, 84.9 @ 288 (G) — 可能可以训练得更好,hparams 需要调整(使用 ConvNeXt 块,无 BN)
    • coatnet_rmlp_2_rw_224 - 84.6 @ 224, 85 @ 320 (T)
    • 注意:官方 MaxVit 权重 (in1k) 已在 https://github.com/google-research/maxvit 上发布 — 由于我的实现是独立于他们的实现创建的,并且有一些小的差异 + 整个 TF 相同填充的乐趣,因此需要额外的工作来移植和适配。

Sept 23, 2022

  • LAION-2B CLIP 图像塔支持作为微调或特征的预训练骨干网络(无分类器)
    • vit_base_patch32_224_clip_laion2b
    • vit_large_patch14_224_clip_laion2b
    • vit_huge_patch14_224_clip_laion2b
    • vit_giant_patch14_224_clip_laion2b

Sept 7, 2022

  • Hugging Face timm 文档 主页现已存在,未来请在此处查找更多内容
  • https://github.com/microsoft/unilm/tree/master/beit2 添加基础模型和大型 224x224 模型的 BEiT-v2 权重
  • maxxvit 系列中添加更多权重,包括 pico(750 万参数,1.9 GMACs)、两个 tiny 变体
    • maxvit_rmlp_pico_rw_256 - 80.5 @ 256, 81.3 @ 320 (T)
    • maxvit_tiny_rw_224 - 83.5 @ 224 (G)
    • maxvit_rmlp_tiny_rw_256 - 84.2 @ 256, 84.8 @ 320 (T)

Aug 29, 2022

  • 默认情况下,MaxVit 窗口大小随 img_size 缩放。添加利用此特性的新 RelPosMlp MaxViT 权重
    • maxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.6 @ 320 (T)

Aug 26, 2022

Aug 15, 2022

  • 添加了 ConvNeXt atto 权重
    • convnext_atto - 75.7 @ 224, 77.0 @ 288
    • convnext_atto_ols - 75.9 @ 224, 77.2 @ 288

Aug 5, 2022

  • 更多自定义 ConvNeXt 更小模型定义及其权重
    • convnext_femto - 77.5 @ 224, 78.7 @ 288
    • convnext_femto_ols - 77.9 @ 224, 78.9 @ 288
    • convnext_pico - 79.5 @ 224, 80.4 @ 288
    • convnext_pico_ols - 79.5 @ 224, 80.5 @ 288
    • convnext_nano_ols - 80.9 @ 224, 81.6 @ 288
  • 更新了 EdgeNeXt 以改进 ONNX 导出,从原始版本 (https://github.com/mmaaz60/EdgeNeXt) 添加了新的基础变体和权重

July 28, 2022

  • 添加了新近铸造的 DeiT-III Medium(宽度=512,深度=12,num_heads=8)模型权重。感谢 Hugo Touvron

July 27, 2022

  • 所有运行时基准测试和验证结果 csv 文件都是最新的!
  • 添加了一些权重和模型定义
    • darknetaa53 - 79.8 @ 256, 80.5 @ 288
    • convnext_nano - 80.8 @ 224, 81.5 @ 288
    • cs3sedarknet_l - 81.2 @ 256, 81.8 @ 288
    • cs3darknet_x - 81.8 @ 256, 82.2 @ 288
    • cs3sedarknet_x - 82.2 @ 256, 82.7 @ 288
    • cs3edgenet_x - 82.2 @ 256, 82.7 @ 288
    • cs3se_edgenet_x - 82.8 @ 256, 83.5 @ 320
  • 上面的 cs3* 权重均在 TPU 上使用 bits_and_tpu 分支进行训练。感谢 TRC 计划!
  • 为 ConvNeXt 添加 output_stride=8 和 16 支持(扩张)
  • 修复了 deit3 模型无法调整 pos_emb 大小的问题
  • 版本 0.6.7 PyPi 发布(/w 自 0.6.5 以来的上述错误修复和新权重)

July 8, 2022

更多模型,更多修复

  • 添加了官方研究模型(带权重)
  • 我自己的模型
    • 根据请求添加了小的 ResNet 定义,基本型和瓶颈型都重复 1 个块(resnet10 和 resnet14)
    • 使用 dataclass 配置重构了 CspNet,简化了 CrossStage3 (cs3) 选项。这些更接近 YOLO-v5+ 骨干网络定义。
    • 更多相对位置 vit 调整。训练了两个 srelpos(共享相对位置)模型,以及一个带有类令牌的 medium 模型。
    • 为 EdgeNeXt 添加了备用下采样模式,并训练了一个 small 模型。比原始 small 模型更好,但不如他们新的 USI 训练权重。
  • 我自己的模型权重结果(所有 ImageNet-1k 训练)
    • resnet10t - 66.5 @ 176, 68.3 @ 224
    • resnet14t - 71.3 @ 176, 72.3 @ 224
    • resnetaa50 - 80.6 @ 224 , 81.6 @ 288
    • darknet53 - 80.0 @ 256, 80.5 @ 288
    • cs3darknet_m - 77.0 @ 256, 77.6 @ 288
    • cs3darknet_focus_m - 76.7 @ 256, 77.3 @ 288
    • cs3darknet_l - 80.4 @ 256, 80.9 @ 288
    • cs3darknet_focus_l - 80.3 @ 256, 80.9 @ 288
    • vit_srelpos_small_patch16_224 - 81.1 @ 224, 82.1 @ 320
    • vit_srelpos_medium_patch16_224 - 82.3 @ 224, 83.1 @ 320
    • vit_relpos_small_patch16_cls_224 - 82.6 @ 224, 83.6 @ 320
    • edgnext_small_rw - 79.6 @ 224, 80.4 @ 320
  • 上面的 cs3darknetvit_*relpos 权重均在 TPU 上训练,这要归功于 TRC 计划!其余在过热的 GPU 上训练。
  • Hugging Face Hub 支持修复已验证,演示笔记本 TBA
  • 预训练权重/配置可以从外部加载(即从本地磁盘加载),并支持头部适配。
  • 添加了更改 timm datasets/parsers 扫描的图像扩展名的支持。请参阅 (https://github.com/rwightman/pytorch-image-models/pull/1274#issuecomment-1178303103)
  • 默认 ConvNeXt LayerNorm 实现使用 F.layer_norm(x.permute(0, 2, 3, 1), ...).permute(0, 3, 1, 2) 通过所有情况下的 LayerNorm2d
    • 在某些硬件(例如带有 CL 的 Ampere)上比以前的自定义实现稍慢,但总体而言,在更广泛的硬件/PyTorch 版本范围内,回归较少。
    • 以前的实现作为 LayerNormExp2d 存在于 models/layers/norm.py
  • 大量错误修复
  • 目前正在测试即将发布的 PyPi 0.6.x 版本
  • 更大模型的 LeViT 预训练仍然是 WIP,它们在没有蒸馏的情况下训练效果不佳/不容易训练。是时候添加蒸馏支持了吗(终于)?
  • ImageNet-22k 权重训练 + 微调正在进行中,多权重支持的工作(缓慢地)进行中(权重非常多,叹气)……

May 13, 2022

  • 从 (https://github.com/microsoft/Swin-Transformer) 添加了官方 Swin-V2 模型和权重。已清理以支持 torchscript。
  • 对现有 timm Swin-V2-CR 实现进行了一些重构,可能会做更多工作,使部分更接近官方版本,并决定是否合并某些方面。
  • 更多 Vision Transformer 相对位置/残差后归一化实验(全部在 TPU 上训练,感谢 TRC 计划)
    • vit_relpos_small_patch16_224 - 81.5 @ 224, 82.5 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_relpos_medium_patch16_rpn_224 - 82.3 @ 224, 83.1 @ 320 — rel pos + res-post-norm、无类令牌、平均池化
    • vit_relpos_medium_patch16_224 - 82.5 @ 224, 83.3 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_relpos_base_patch16_gapcls_224 - 82.8 @ 224, 83.9 @ 320 — rel pos、层缩放、类令牌、平均池化(错误地)
  • 将 512 维、8 头 ‘medium’ ViT 模型变体重新启用(在 2020 年首次 ViT 实现的 pre DeiT ‘small’ 模型中使用后)
  • 添加 ViT 相对位置支持,用于在现有实现和官方 Swin-V2 实现中的一些新增功能之间切换,以进行未来试验
  • Sequencer2D 实现 (https://arxiv.org/abs/2205.01972),通过作者的 PR 添加 (https://github.com/okojoalg)

May 2, 2022

  • Vision Transformer 实验添加相对位置(Swin-V2 log-coord)(vision_transformer_relpos.py) 和残差后归一化分支(来自 Swin-V2)(vision_transformer*.py)
    • vit_relpos_base_patch32_plus_rpn_256 - 79.5 @ 256, 80.6 @ 320 — rel pos + 扩展宽度 + res-post-norm、无类令牌、平均池化
    • vit_relpos_base_patch16_224 - 82.5 @ 224, 83.6 @ 320 — rel pos、层缩放、无类令牌、平均池化
    • vit_base_patch16_rpn_224 - 82.3 @ 224 — rel pos + res-post-norm、无类令牌、平均池化
  • Vision Transformer 重构以删除表示层,该表示层仅在初始 vit 中使用,并且自更新的预训练(即 How to Train Your ViT)以来很少使用
  • vit_* 模型支持删除类令牌、使用全局平均池化、使用 fc_norm(ala beit、mae)。

April 22, 2022

  • timm 模型现在在 fast.ai 中获得官方支持!恰逢新的实用深度学习课程推出。timmdocs 文档链接已更新为 timm.fast.ai
  • 在 TPU 训练的 系列 中添加了另外两个模型权重。一些 In22k 预训练仍在进行中。
    • seresnext101d_32x8d - 83.69 @ 224, 84.35 @ 288
    • seresnextaa101d_32x8d(抗锯齿,带 AvgPool2d)- 83.85 @ 224, 84.57 @ 288

March 23, 2022

  • 向基础 vit 模型添加 ParallelBlockLayerScale 选项,以支持 关于 ViT 的每个人都应该知道的三件事 中的模型配置
  • 使用(接近)A2 配方训练的 convnext_tiny_hnf(头部归一化优先)权重,top-1 准确率为 82.2%,可以通过更多 epoch 获得更好的结果。

March 21, 2022

  • 合并 norm_norm_norm重要提示:此更新适用于即将发布的 0.6.x 版本,可能会在一段时间内使主分支不稳定。如果需要稳定性,可以使用 0.5.x 分支或之前的 0.5.x 版本。
  • 如本 版本 中所述的重大权重更新(全部在 TPU 上训练)
    • regnety_040 - 82.3 @ 224, 82.96 @ 288
    • regnety_064 - 83.0 @ 224, 83.65 @ 288
    • regnety_080 - 83.17 @ 224, 83.86 @ 288
    • regnetv_040 - 82.44 @ 224, 83.18 @ 288 (timm pre-act)
    • regnetv_064 - 83.1 @ 224, 83.71 @ 288 (timm pre-act)
    • regnetz_040 - 83.67 @ 256, 84.25 @ 320
    • regnetz_040h - 83.77 @ 256, 84.5 @ 320 (头部带有额外的 fc)
    • resnetv2_50d_gn - 80.8 @ 224, 81.96 @ 288 (pre-act GroupNorm)
    • resnetv2_50d_evos 80.77 @ 224, 82.04 @ 288 (pre-act EvoNormS)
    • regnetz_c16_evos - 81.9 @ 256, 82.64 @ 320 (EvoNormS)
    • regnetz_d8_evos - 83.42 @ 256, 84.04 @ 320 (EvoNormS)
    • xception41p - 82 @ 299 (timm pre-act)
    • xception65 - 83.17 @ 299
    • xception65p - 83.14 @ 299 (timm pre-act)
    • resnext101_64x4d - 82.46 @ 224, 83.16 @ 288
    • seresnext101_32x8d - 83.57 @ 224, 84.270 @ 288
    • resnetrs200 - 83.85 @ 256, 84.44 @ 320
  • 修复了 HuggingFace hub 支持,并为允许预训练模型定义和权重的替代 ‘config sources’ 奠定了初步基础(通用本地文件/远程 url 支持即将推出)
  • 添加了 SwinTransformer-V2 实现。由 Christoph Reich 提交。我自己正在进行训练实验和模型更改,因此预计会出现兼容性中断。
  • https://github.com/microsoft/Cream/tree/main/AutoFormerV2 添加了 Swin-S3 (AutoFormerV2) 模型/权重
  • MobileViT 模型及其权重改编自 https://github.com/apple/ml-cvnets
  • PoolFormer 模型及其权重改编自 https://github.com/sail-sg/poolformer
  • VOLO 模型及其权重改编自 https://github.com/sail-sg/volo
  • 在实验非 BatchNorm 归一化层(例如 EvoNorm、FilterResponseNorm、GroupNorm 等)方面做了大量工作
  • 增强了对添加到许多模型中的备用归一化 + 激活 (‘NormAct’) 层的支持,尤其是 EfficientNet/MobileNetV3、RegNet 和对齐的 Xception
  • 为 EfficientNet 系列添加了分组卷积支持
  • 为所有模型添加了 ‘group matching’ API,以允许对模型参数进行分组,以便应用 ‘layer-wise’ LR 衰减,LR 缩放添加到 LR 调度器
  • 为许多模型添加了梯度检查点支持
  • forward_head(x, pre_logits=False) 函数添加到所有模型,以允许分别调用 forward_featuresforward_head
  • 所有 vision transformer 和 vision MLP 模型更新后,将从 foward_features 返回非池化/非标记选择的特征,为了与 CNN 模型保持一致,标记选择或池化现在应用于 forward_head 中。

2022 年 2 月 2 日

  • Chris Hughes 昨天在他的博客上发布了对 timm 的详尽介绍。非常值得一读。 《PyTorch 图像模型 (timm) 入门:从业者指南》
  • 我目前正在准备将 norm_norm_norm 分支合并回主分支 (版本 0.6.x),预计在下周左右。
    • 这些更改比平常更广泛,可能会 destabilize 并破坏一些模型 API 的使用(目标是完全向后兼容)。因此,请注意 pip install git+https://github.com/rwightman/pytorch-image-models 安装!
    • 0.5.x 版本和 0.5.x 分支将保持稳定,并进行一到两次的 cherry pick,直到尘埃落定。如果您想要稳定版本,建议暂时坚持使用 pypi 安装。

2022 年 1 月 14 日

  • 版本 0.5.4 即将发布到 pypi。距离上次 pypi 更新已经有一段时间了,风险较高的更改将很快合并到主分支…
  • 添加 ConvNeXT 模型,包含来自官方实现的权重 (https://github.com/facebookresearch/ConvNeXt),一些性能调整,并与 timm 特性兼容。
  • 尝试训练了一些小型(约 1.8-3M 参数)/移动优化的模型,到目前为止,其中一些效果不错,更多模型正在开发中…
    • mnasnet_small - Top-1 准确率 65.6
    • mobilenetv2_050 - 65.9
    • lcnet_100/075/050 - 72.1 / 68.8 / 63.1
    • semnasnet_075 - 73
    • fbnetv3_b/d/g - 79.1 / 79.7 / 82.0
  • TinyNet 模型由 rsomani95 添加。
  • LCNet 通过 MobileNetV3 架构添加。
< > 在 GitHub 上更新