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

2025 年 1 月 19 日

  • 修复 LeViT safetensor 权重的加载问题,移除了本应被禁用的转换代码
  • 添加使用 SBB 配方训练的“SO150M” ViT 权重,效果不错,但对于 ImageNet-12k/1k 预训练/微调来说形状不是最优的
    • vit_so150m_patch16_reg4_gap_256.sbb_e250_in12k_ft_in1k - 86.7% top-1
    • vit_so150m_patch16_reg4_gap_384.sbb_e250_in12k_ft_in1k - 87.4% top-1
    • vit_so150m_patch16_reg4_gap_256.sbb_e250_in12k
  • 其他类型、拼写错误等清理
  • 发布 1.0.14 版本以推出上述 LeViT 修复

2025 年 1 月 9 日

  • 增加在纯 bfloat16float16 模式下进行训练和验证的支持
  • https://github.com/caojiaolong 添加了 `wandb` 项目名称参数,使用 arg.experiment 作为名称
  • 修复了在不支持硬链接的文件系统(例如 FUSE fs 挂载)上检查点保存不工作的旧问题
  • 发布 1.0.13 版本

2025 年 1 月 6 日

  • timm.models 中添加 torch.utils.checkpoint.checkpoint() 包装器,默认 use_reentrant=False,除非在环境变量中设置了 TIMM_REENTRANT_CKPT=1

2024 年 12 月 31 日

2024 年 11 月 28 日

2024 年 11 月 12 日

  • 优化器工厂重构
    • 新的工厂通过使用带有某些关键特性的 OptimInfo 数据类来注册优化器
    • 向重构后的 create_optimizer_v2 函数添加 list_optimizersget_optimizer_classget_optimizer_info,用于探索优化器、获取信息或类
    • 弃用 optim.optim_factory,将函数移动到 optim/_optim_factory.pyoptim/_param_groups.py,并鼓励通过 timm.optim 导入
  • 添加 Adopt (https://github.com/iShohei220/adopt) 优化器
  • 添加“Big Vision”版本的 Adafactor(https://github.com/google-research/big_vision/blob/main/big_vision/optax.py)优化器
  • 修复原始 Adafactor 以选择更好的卷积分解维度
  • 调整 LAMB 优化器,自原始版本以来在 torch.where 功能方面有所改进,并对裁剪进行了一些重构
  • 改进了 vit、deit、eva 中的动态图像尺寸支持,以支持从非方形补丁网格调整大小,感谢 https://github.com/wojtke

2024 年 10 月 31 日

添加了一组经过良好训练的全新 ResNet 和 ResNet-V2 18/34(基础块)权重。请参阅 https://huggingface.co/blog/rwightman/resnet-trick-or-treat

2024 年 10 月 19 日

  • 清理 torch amp 的使用以避免特定于 cuda 的调用,合并了来自 MengqingCao 的对 Ascend (NPU) 设备的支持,该支持现在应该可以在 PyTorch 2.5 中与新的设备扩展自动加载功能一起工作。在 Pytorch 2.5 中也测试了 Intel Arc (XPU),它(大部分)能工作。

2024 年 10 月 16 日

2024 年 10 月 14 日

  • 应要求添加了 18/18d/34/34d ResNet 模型的预激活(ResNetV2)版本(权重待定)
  • 发布 1.0.10

2024 年 10 月 11 日

  • 添加了 MambaOut(https://github.com/yuweihao/MambaOut)模型和权重。这是对 SSM 视觉模型的一种巧妙改造,但没有 SSM(本质上是带有门控的 ConvNeXt)。混合了原始权重和自定义变体及权重。
模型 图像尺寸 top1 top5 参数数量
mambaout_base_plus_rw.sw_e150_r384_in12k_ft_in1k 384 87.506 98.428 101.66
mambaout_base_plus_rw.sw_e150_in12k_ft_in1k 288 86.912 98.236 101.66
mambaout_base_plus_rw.sw_e150_in12k_ft_in1k 224 86.632 98.156 101.66
mambaout_base_tall_rw.sw_e500_in1k 288 84.974 97.332 86.48
mambaout_base_wide_rw.sw_e500_in1k 288 84.962 97.208 94.45
mambaout_base_short_rw.sw_e500_in1k 288 84.832 97.27 88.83
mambaout_base.in1k 288 84.72 96.93 84.81
mambaout_small_rw.sw_e450_in1k 288 84.598 97.098 48.5
mambaout_small.in1k 288 84.5 96.974 48.49
mambaout_base_wide_rw.sw_e500_in1k 224 84.454 96.864 94.45
mambaout_base_tall_rw.sw_e500_in1k 224 84.434 96.958 86.48
mambaout_base_short_rw.sw_e500_in1k 224 84.362 96.952 88.83
mambaout_base.in1k 224 84.168 96.68 84.81
mambaout_small.in1k 224 84.086 96.63 48.49
mambaout_small_rw.sw_e450_in1k 224 84.024 96.752 48.5
mambaout_tiny.in1k 288 83.448 96.538 26.55
mambaout_tiny.in1k 224 82.736 96.1 26.55
mambaout_kobe.in1k 288 81.054 95.718 9.14
mambaout_kobe.in1k 224 79.986 94.986 9.14
mambaout_femto.in1k 288 79.848 95.14 7.3
mambaout_femto.in1k 224 78.87 94.408 7.3

2024 年 9 月

2024 年 8 月 21 日

  • 更新了在 ImageNet-12k 上训练并在 ImageNet-1k 上微调的 SBB ViT 模型,挑战了许多更大、更慢的模型
模型 top1 top5 参数数量 图像尺寸
vit_mediumd_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k 87.438 98.256 64.11 384
vit_mediumd_patch16_reg4_gap_256.sbb2_e200_in12k_ft_in1k 86.608 97.934 64.11 256
vit_betwixt_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k 86.594 98.02 60.4 384
vit_betwixt_patch16_reg4_gap_256.sbb2_e200_in12k_ft_in1k 85.734 97.61 60.4 256
  • 采用 MNV4 基准挑战配方的 MobileNet-V1 1.25、EfficientNet-B1 和 ResNet50-D 权重
模型 top1 top5 参数数量 图像尺寸
resnet50d.ra4_e3600_r224_in1k 81.838 95.922 25.58 288
efficientnet_b1.ra4_e3600_r240_in1k 81.440 95.700 7.79 288
resnet50d.ra4_e3600_r224_in1k 80.952 95.384 25.58 224
efficientnet_b1.ra4_e3600_r240_in1k 80.406 95.152 7.79 240
mobilenetv1_125.ra4_e3600_r224_in1k 77.600 93.804 6.27 256
mobilenetv1_125.ra4_e3600_r224_in1k 76.924 93.234 6.27 224
  • 添加 SAM2 (HieraDet) 主干架构和权重加载支持
  • 添加使用 abswin 位置嵌入在 in12k 上训练并在 1k 上微调的 Hiera Small 权重
模型 top1 top5 参数数量
hiera_small_abswin_256.sbb2_e200_in12k_ft_in1k 84.912 97.260 35.01
hiera_small_abswin_256.sbb2_pd_e200_in12k_ft_in1k 84.560 97.106 35.01

2024 年 8 月 8 日

2024 年 7 月 28 日

  • 使用基于 ra4 mnv4-small 的配方添加了 mobilenet_edgetpu_v2_m 权重。在 224x224 分辨率下 top-1 准确率 80.1%,在 256x256 分辨率下 80.7%。
  • 发布 1.0.8

2024 年 7 月 26 日

  • 更多 MobileNet-v4 权重,在 ImageNet-12k 上预训练并微调,以及抗锯齿的 ConvLarge 模型
模型 top1 top1_err top5 top5_err 参数数量 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_err top5 top5_err 参数数量 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
  • 在 vit 和 swin v1/v2 模型中添加了 set_input_size() 的原型,以允许在模型创建后更改图像大小、补丁大小、窗口大小。
  • 在 swin 中改进了对不同大小处理的支持,除了 set_input_size,还在 __init__ 中添加了 always_partitionstrict_img_size 参数,以允许更灵活的输入大小约束
  • 修复中间“Getter”特征包装器的乱序索引信息,检查相同内容的越界或范围索引。
  • 添加几个参数小于 0.5M 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_err top5 top5_err 参数数量 图像尺寸 crop_pct
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 vit reg token 初始化,感谢 Promisery
  • 其他杂项修复

2024 年 6 月 24 日

  • 新增 3 个采用不同 MQA 权重初始化方案的 MobileNetV4 混合权重
模型 top1 top1_err top5 top5_err 参数数量 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 模型和初始的一组 `timm` 训练权重
模型 top1 top1_err top5 top5_err 参数数量 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
  • Apple MobileCLIP(https://arxiv.org/pdf/2311.17049,FastViT 和 ViT-B)图像塔模型支持和权重已添加(作为 OpenCLIP 支持的一部分)。
  • ViTamin (https://arxiv.org/abs/2404.02132) CLIP 图像塔模型和权重已添加(作为 OpenCLIP 支持的一部分)。
  • OpenAI CLIP 修改版 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 权重加载到带平均池化的 SigLIP ViT 模型中。
  • 添加来自 Meta 的 Hiera 模型 (https://github.com/facebookresearch/hiera)。
  • 为变换添加 `normalize=` 标志,返回具有原始 dytpe 的非归一化 torch.Tensor(用于 `chug`)
  • 发布 1.0.3 版本

2024 年 5 月 11 日

  • 发布了 `寻找更好的 ViT 基线(为 GPU 资源有限者)` 的权重和 vit 变体。探索了 Tiny 和 Base 之间的模型形状。
模型 top1 top5 参数数量 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
  • 添加了 AttentionExtract 辅助工具,用于从 timm 模型中提取注意力图。示例请见 https://github.com/huggingface/pytorch-image-models/discussions/1232#discussioncomment-9320949
  • forward_intermediates() API 经过优化,并已添加到更多模型中,包括一些具有其他提取方法的 ConvNets。
  • 1047 个模型架构中有 1017 个支持 features_only=True 特征提取。剩余的 34 个架构可以根据优先请求进行支持。
  • 移除了 torch.jit.script 注释的函数,包括旧的 JIT 激活函数。与 dynamo 冲突,并且在使用 dynamo 时效果更好。

2024 年 4 月 11 日

  • 为期待已久的 1.0 版本做准备,已经稳定了一段时间了。
  • 一个长期缺失的重要功能:为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*')提供 features_only=True 支持
  • 上述功能支持是通过一个新的 forward_intermediates() API 实现的,该 API 可以与特征包装模块一起使用或直接使用。
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,转而使用 PDM 支持的基于 pyproject.toml 的构建方式
  • 添加了使用 _for_each 的更新模型 EMA 实现,以减少开销
  • 在训练脚本中支持非 GPU 设备的设备参数
  • 其他杂项修复和小的补充
  • 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

数据集和变换重构

  • 支持 HuggingFace 流式(可迭代)数据集 (--dataset hfids:org/dataset)
  • Webdataset 包装器调整,改进了分割信息的获取,可以从支持的 HF hub webdataset 自动获取分割信息
  • 测试了 HF datasets 和 webdataset 包装器从 HF hub 流式传输最近上传到 https://huggingface.co/timmtimm ImageNet 数据
  • 在所有数据集中保持输入和目标列/字段键的一致性,并通过参数传递
  • 在使用例如 --input-size 1 224 224--in-chans 1 时完全支持单色,并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的变换(ResizeKeepRatio、RandomCropOrPad 等),用于 PixParse 文档 AI 项目
  • 向数据增强和参数中添加了 SimCLR 风格的颜色抖动概率,以及灰度和高斯模糊选项
  • 允许在训练脚本中不使用验证集进行训练 (--val-split '')
  • 在训练中添加 --bce-sum(对类别维度求和)和 --bce-pos-weight(正样本加权)参数,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 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

  • SigLIP 图像塔权重在 `vision_transformer.py` 中得到支持。
    • 在微调和下游特征使用方面有巨大潜力。
  • 根据 Vision Transformers Need Registers,vit 模型中增加了实验性的“寄存器”支持
  • 更新了 RepViT,发布了新的权重。感谢 wangao
  • 在加载预训练权重时,为 Swin 模型添加了补丁大小调整支持
  • 即将发布 0.9.8

2023 年 9 月 1 日

  • SeeFun 添加了 TinyViT
  • 修复 EfficientViT (MIT) 以使用 torch.autocast,使其能够回溯到 PT 1.10 正常工作
  • 发布 0.9.7 版本

2023 年 8 月 28 日

  • 在不破坏向后兼容性的情况下,为 `vision_transformer.py`、`vision_transformer_hybrid.py`、`deit.py` 和 `eva.py` 中的模型添加了动态图像尺寸支持。
    • 在模型创建时添加 `dynamic_img_size=True` 参数,以允许更改网格大小(每次前向传播时插值绝对和/或 ROPE 位置嵌入)。
    • 添加 `dynamic_img_pad=True` 以允许图像大小不能被补丁大小整除(每次前向传播时在右下角填充到补丁大小)。
    • 除非将 PatchEmbed 模块添加为叶子节点,否则启用任一动态模式都会破坏 FX 跟踪。
    • 现有的通过在创建时传递不同的 `img_size` 来调整位置嵌入大小(一次性插值预训练的嵌入权重)的方法仍然有效。
    • 现有通过在创建时更改 `patch_size`(一次性调整预训练的 patch_embed 权重)的方法仍然有效。
    • 验证命令示例 python validate.py --data-dir /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 模型在创建时支持调整图像/窗口大小,并适配预训练权重
  • 测试非方形调整大小的验证命令示例 python validate.py --data-dir /imagenet --model swin_base_patch4_window7_224.ms_in22k_ft_in1k --amp --amp-dtype bfloat16 --input-size 3 256 320 --model-kwargs window_size=8,10 img_size=256,320

2023 年 8 月 3 日

  • 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 的补丁和位置嵌入在加载时适用于 bfloat16/float16 权重(或用于动态调整大小的激活)
  • 准备 v0.9.5 发布

2023 年 7 月 27 日

  • 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 上的 top-1 准确率达到 87.3%,是我所知的最佳 ImageNet ResNet 系列模型。
  • wangao 添加了 RepViT 模型和权重(https://arxiv.org/abs/2307.09283
  • SeeFun 添加了 I-JEPA ViT 特征权重(无分类器)
  • SeeFun 添加了 SAM-ViT(segment anything)特征权重(无分类器)
  • 为 EfficientNet 添加了对替代特征提取方法和负索引的支持
  • 添加 NAdamW 优化器
  • 杂项修复

2023 年 5 月 11 日

  • timm 0.9 发布,从 0.8.xdev 版本过渡

2023 年 5 月 10 日

  • 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 特征主干权重
  • 添加了 FB MAE vit 特征主干权重
  • 添加了 OpenCLIP DataComp-XL L/14 特征主干权重
  • Fredo Guan 添加了 MetaFormer(poolformer-v2、caformer、convformer、更新的 poolformer (v1))及其权重
  • 在 vit/deit 模型上增加了实验性的 `get_intermediate_layers` 函数,用于获取隐藏状态(灵感来自 DINO 的实现)。此功能仍在开发中,可能会有较大变化……欢迎反馈。
  • 如果 `pretrained=True` 但没有权重存在,模型创建会抛出错误(而不是继续使用随机初始化)
  • 修复了源自 TF 的 inception / nasnet 权重在原始分类器中有 1001 个类别时的回归问题
  • 将 bitsandbytes (https://github.com/TimDettmers/bitsandbytes) 优化器添加到工厂,使用 `bnb` 前缀,例如 `bnbadam8bit`
  • 杂项清理和修复
  • 在将 `timm` 从预发布状态转为 0.9 版本之前的最终测试

2023 年 4 月 27 日

  • 97% 的 `timm` 模型已上传至 HF Hub,并且几乎所有模型都已更新以支持多权重预训练配置
  • 随着多权重支持的加入,对另一批模型进行了小幅清理和重构。增加了更多 fused_attn (F.sdpa) 和 features_only 支持,并修复了 torchscript。

2023 年 4 月 21 日

  • 在训练脚本中添加并测试了梯度累积支持(`--grad-accum-steps`),感谢 Taeksang Kim
  • HF Hub 上增加了更多权重(cspnet、cait、volo、xcit、tresnet、hardcorenas、densenet、dpn、vovnet、xception_aligned)
  • 向 train.py 添加了 `--head-init-scale` 和 `--head-init-bias`,用于缩放分类器头部并为微调设置固定偏置
  • 移除了所有 InplaceABN (`inplace_abn`) 的使用,在 tresnet 中用标准 BatchNorm 替换(并相应修改了权重)。

2023 年 4 月 12 日

  • 添加了我一直以来使用的 ONNX 导出脚本、验证脚本和辅助函数。调整了“same”填充以更好地与最近的 ONNX + PyTorch 配合导出。
  • 重构了 vit 及类似模型的 dropout 参数,将 drop_rate 分为 `drop_rate` (分类器 dropout)、`proj_drop_rate` (块 mlp / 输出投影)、`pos_drop_rate` (位置嵌入 drop)、`attn_drop_rate` (注意力 dropout)。同时向 vit 和 eva 模型添加了 patch dropout (FLIP)。
  • 为更多 vit 模型提供了融合的 F.scaled_dot_product_attention 支持,添加了环境变量 (TIMM_FUSED_ATTN) 进行控制,并提供了配置接口来启用/禁用
  • 添加了 EVA-CLIP 主干网络和图像塔权重,最高支持到 4B 参数的“enormous”模型,以及之前遗漏的 336x336 OpenAI ViT 模型。

2023 年 4 月 5 日

  • 所有 ResNet 模型已推送到 Hugging Face Hub,并支持多权重
  • 为一些抗锯齿 ResNet 模型提供了新的 ImageNet-12k + ImageNet-1k 微调
    • 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

2023 年 3 月 31 日

  • 添加首个 ConvNext-XXLarge CLIP -> IN-1k 微调,以及针对 convnext-base/large CLIP 模型的 IN-12k 中间微调。
模型 top1 top5 图像尺寸 参数数量 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 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%(top-5 准确率 99%)的模型!请查看原始代码和权重 https://github.com/baaivision/EVA 以获取更多关于他们融合 MIM、CLIP 以及许多模型、数据集和训练配方调整工作的详细信息。
模型 top1 top5 参数数量 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 MLP-Mixer 基础模型的多权重和 HF Hub 支持

2023 年 3 月 22 日

  • 更多权重已推送到 HF hub,并支持多权重,包括:`regnet.py`、`rexnet.py`、`byobnet.py`、`resnetv2.py`、`swin_transformer.py`、`swin_transformer_v2.py`、`swin_transformer_v2_cr.py`
  • Swin Transformer 模型支持特征提取(`swinv2_cr_*` 为 NCHW 特征图,其他所有模型为 NHWC)和空间嵌入输出。
  • 添加了 FocalNet(来自 https://github.com/microsoft/FocalNet)模型和权重,并进行了大量重构,支持特征提取,无固定分辨率/大小限制
  • 随着 HF hub 推送,RegNet 权重增加,包括 SWAG、SEER 和 torchvision v2 权重。SEER 在模型大小方面的性能相当差,但可能有用。
  • 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 - 在 224x224 分辨率下 85.6,在 288x288 分辨率下 86.0(与 SWAG PT + 1k FT 相比,结果相同但分辨率低得多,远超 SEER FT)
  • 添加了模型名称弃用 + 重映射功能(这是将 0.8.x 从预发布版中推出的一个里程碑)。正在添加映射…
  • 小错误修复和改进。

2023 年 2 月 26 日

  • 添加 ConvNeXt-XXLarge CLIP 预训练图像塔权重用于微调和特征提取(微调待定)—— 参见 模型卡
  • 更新 `convnext_xxlarge` 默认 LayerNorm eps 为 1e-5(用于 CLIP 权重,提高稳定性)
  • 0.8.15dev0

2023 年 2 月 20 日

  • 为特征提取和微调添加 320x320 convnext_large_mlp.clip_laion2b_ft_320convnext_large_mlp.clip_laion2b_ft_soup_320 CLIP 图像塔权重
  • 发布 0.8.13dev0 pypi 版本,包含迁移至 huggingface 组织的最新更改

2023 年 2 月 16 日

  • 新增 safetensor 检查点支持
  • 添加来自“Scaling Vision Transformers to 22 B. Params”论文(https://arxiv.org/abs/2302.05442)的思路 — qk norm、RmsNorm、并行块
  • vit_*vit_relpos_*coatnet/maxxvit(首批)添加 F.scaled_dot_product_attention 支持(仅限 PyTorch 2.0)
  • 添加 Lion 优化器(带有多张量选项)(https://arxiv.org/abs/2302.06675
  • 梯度检查点现在可与 features_only=True 配合使用

2023 年 2 月 7 日

  • results 文件夹中添加了新的推理基准测试数据。
  • 添加 convnext LAION CLIP 训练权重和初始的 in1k 微调集
    • convnext_base.clip_laion2b_augreg_ft_in1k - 在 256x256 分辨率下达到 86.2%
    • convnext_base.clip_laiona_augreg_ft_in1k_384 - 在 384x384 分辨率下达到 86.5%
    • convnext_large_mlp.clip_laion2b_augreg_ft_in1k - 在 256x256 分辨率下达到 87.3%
    • convnext_large_mlp.clip_laion2b_augreg_ft_in1k_384 - 在 384x384 分辨率下达到 87.9%
  • 添加 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 EfficientFormer-V2 模型,更新 EfficientFormer,并重构 LeViT(架构紧密相关)。权重发布在 HF hub 上。
    • 新的 EfficientFormer-V2 架构,对原始版本(https://github.com/snap-research/EfficientFormer)进行了重大重构。支持 features_only=True
    • 对 EfficientFormer 的小幅更新。
    • 将 LeViT 模型重构为多阶段结构,为新的 conv 变体添加 features_only=True 支持,需要权重重映射。
  • 将 ImageNet 元数据(synsets, indices)从 /results 移动到 timm/data/_info
  • 添加 ImageNetInfo / DatasetInfo 类,为 timm 中各种 ImageNet 分类器布局提供标签。
    • 更新 inference.py 以使用新功能,尝试:python inference.py --data-dir /folder/to/images --model convnext_small.in12k --label-type detail --topk 5
  • 准备 0.8.10 pypi 预发布版(最终测试)。

2023 年 1 月 20 日

  • 添加两个 convnext 12k -> 1k 在 384x384 分辨率下的微调模型

    • 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 base MaxViT 和 CoAtNet 1/2 模型添加新的 ImageNet-12k -> 1k 微调模型

模型 top1 top5 样本/秒 参数 (M) GMAC 激活值 (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

2023 年 1 月 11 日

  • 更新 ConvNeXt ImageNet-12k 预训练系列,增加两个新的微调权重(以及预微调的 .in12k 标签)
    • convnext_nano.in12k_ft_in1k - 在 224 分辨率下 82.3,在 288 分辨率下 82.9(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

2023 年 1 月 6 日

  • 终于为脚本添加了 --model-kwargs--opt-kwargs,以便从命令行直接向模型类传递不常用的参数
    • train.py --data-dir /imagenet --model resnet50 --amp --model-kwargs output_stride=16 act_layer=silu
    • train.py --data-dir /imagenet --model vit_base_patch16_clip_224 --img-size 240 --amp --model-kwargs img_size=240 patch_size=12
  • 清理了一些常用模型以更好地支持参数传递/与模型配置合并,更多工作待完成。

2023 年 1 月 5 日

2022 年 12 月 23 日 🎄☃

  • 添加来自 https://github.com/google-research/big_vision 的 FlexiViT 模型和权重(请参阅论文 https://arxiv.org/abs/2212.08013
    • 注意:目前调整大小在模型创建时是静态的,动态调整/训练时 patch 大小采样功能仍在开发中
  • 更多模型已更新为多权重,并可通过 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(正在处理弃用翻译,目前请将主分支视为 DEV 分支,使用 0.6.x 以获得稳定版本)
  • 更多 ImageNet-12k(22k 的子集)预训练模型正在涌现
    • efficientnet_b5.in12k_ft_in1k - 在 448x448 分辨率下达到 85.9
    • vit_medium_patch16_gap_384.in12k_ft_in1k - 在 384x384 分辨率下达到 85.5
    • vit_medium_patch16_gap_256.in12k_ft_in1k - 在 256x256 分辨率下达到 84.5
    • convnext_nano.in12k_ft_in1k - 在 288x288 分辨率下达到 82.9

2022 年 12 月 8 日

  • vision_transformer.py 添加 ‘EVA l’,MAE 风格的 ViT-L/14 MIM 预训练,使用 EVA-CLIP 目标,在 ImageNet-1k 上进行微调(部分模型在 ImageNet-22k 上进行中间微调)
模型 top1 参数数量 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

2022 年 12 月 6 日

模型 top1 参数数量 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

2022 年 12 月 5 日

  • 预发布(0.8.0dev0)多权重支持(model_arch.pretrained_tag)。使用 pip install --pre timm 进行安装
    • vision_transformer、maxvit、convnext 是首批支持该功能的模型实现
    • 模型名称将随之改变(之前的 _21k 等函数将合并),仍在解决弃用处理问题
    • 可能存在 bug,但我需要反馈,所以请试用一下
    • 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
  • 推理脚本允许对输出进行更多控制,可为 top-class 索引 + 概率选择 k,并输出为 json、csv 或 parquet 格式
  • 添加了来自 LAION-2B 和原始 OpenAI CLIP 模型的全套微调 CLIP 图像塔权重
模型 top1 参数数量 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 移植的 MaxViT Tensorflow 权重
    • 对于上采样的 384/512 in21k 微调权重,性能下降幅度超出预期,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

2022 年 10 月 15 日

  • 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(修复了分布式使用的样本填充/包裹,与样本计数估计相关)
  • 脚本/加载器支持 in_chans !=3
  • Adan 优化器
  • 可通过参数启用每步学习率调度
  • 数据集‘parsers’重命名为‘readers’,更具描述性
  • AMP 参数更改,通过 --amp-impl apex 使用 APEX,通过 --amp-dtype bfloat16 支持 bfloat16
  • 主分支切换到 0.7.x 版本,0.6x 分支用于稳定发布仅添加权重的版本
  • master -> main 分支重命名

2022 年 10 月 10 日

  • maxxvit 系列新增更多权重,包括首个基于 ConvNeXt 块的 coatnextmaxxvit 实验
    • coatnext_nano_rw_224 - 82.0 @ 224 (G) — (使用 ConvNeXt 卷积块,无 BatchNorm)
    • maxxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.7 @ 320 (G) (使用 ConvNeXt 卷积块,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) — 训练可以更好,超参数需要调整 (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 发布 — 由于我的实现是独立于他们的,并且存在一些微小差异,加上 TF 的 same padding 问题,需要一些额外的工作来移植和适配。

2022 年 9 月 23 日

  • 支持 LAION-2B CLIP 图像塔作为预训练骨干网络用于微调或特征提取(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

2022 年 9 月 7 日

  • Hugging Face timm 文档主页现已上线,未来将在此发布更多内容
  • 添加来自 https://github.com/microsoft/unilm/tree/master/beit2 的 base 和 large 224x224 模型的 BEiT-v2 权重
  • maxxvit 系列中添加更多权重,包括一个 pico (7.5M 参数, 1.9 GMACs) 和两个 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)

2022 年 8 月 29 日

  • MaxVit 窗口大小默认随 img_size 缩放。新增利用此特性的 RelPosMlp MaxViT 权重
    • maxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.6 @ 320 (T)

2022 年 8 月 26 日

2022 年 8 月 15 日

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

2022 年 8 月 5 日

  • 更多自定义的 ConvNeXt 小型模型定义及权重
    • 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 EdgeNeXt 以改进 ONNX 导出,添加新的 base 变体和来自原始仓库(https://github.com/mmaaz60/EdgeNeXt)的权重

2022 年 7 月 28 日

  • 添加新鲜出炉的 DeiT-III Medium (width=512, depth=12, num_heads=8) 模型权重。感谢 Hugo Touvron!

2022 年 7 月 27 日

  • 所有运行时基准测试和验证结果的 csv 文件终于更新了!
  • 添加了更多权重和模型定义
    • 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
  • 以上 cs3* 权重均在 TPU 上使用 bits_and_tpu 分支训练。感谢 TRC 项目!
  • 为 ConvNeXt 添加 output_stride=8 和 16 的支持(扩张卷积)
  • 修复了 deit3 模型无法调整 pos_emb 大小的问题
  • PyPi 0.6.7 版本发布(包含自 0.6.5 以来的上述 bug 修复和新权重)

2022 年 7 月 8 日

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
    • 应要求添加了小型 ResNet 定义,包含基础块和瓶颈块的 1 次重复(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+ 的骨干网络定义。
    • 更多相对位置 vit 实验。训练了两个 srelpos (共享相对位置) 模型,以及一个带 class token 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 模型好,但不如他们新训练的 USI 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
  • 以上 cs3darknetvit_*relpos 权重均在 TPU 上训练,感谢 TRC 项目!其余在过热的 GPU 上训练。
  • 已验证 Hugging Face Hub 支持修复,演示 notebook 待定
  • 预训练权重/配置可从外部(如本地磁盘)加载,并支持头部适配。
  • 添加支持以更改 timm 数据集/读取器扫描的图像扩展名。请参阅 (https://github.com/rwightman/pytorch-image-models/pull/1274#issuecomment-1178303103)
  • 默认 ConvNeXt LayerNorm 实现在所有情况下通过 LayerNorm2d 使用 F.layer_norm(x.permute(0, 2, 3, 1), ...).permute(0, 3, 1, 2)
    • 在某些硬件(如 Ampere with CL)上比之前的自定义实现稍慢,但在更广泛的硬件/PyTorch 版本范围内的回归问题更少。
    • 之前的实现作为 LayerNormExp2d 存在于 models/layers/norm.py
  • 大量 bug 修复
  • 目前正在为即将发布的 PyPi 0.6.x 版本进行测试
  • LeViT 较大模型的预训练仍在进行中,没有蒸馏的情况下训练效果不佳/不易。是时候(终于)添加蒸馏支持了?
  • ImageNet-22k 权重训练+微调正在进行中,多权重支持工作(缓慢地)推进中(权重太多了,唉)…

2022 年 5 月 13 日

  • 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。
  • 对现有的 timm Swin-V2-CR 实现进行了一些重构,可能会做更多工作以使其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 项目)
    • vit_relpos_small_patch16_224 - 81.5 @ 224, 82.5 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_relpos_medium_patch16_rpn_224 - 82.3 @ 224, 83.1 @ 320 — 相对位置 + 残差后归一化,无类别标记,平均池化
    • vit_relpos_medium_patch16_224 - 82.5 @ 224, 83.3 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_relpos_base_patch16_gapcls_224 - 82.8 @ 224, 83.9 @ 320 — 相对位置,层缩放,有类别标记,平均池化(错误地)
  • 恢复 512 维、8 头‘medium’ ViT 模型变体(在 2020 年首次 ViT 实现中用于 DeiT ‘small’模型之前)
  • 添加 ViT 相对位置支持,以便在现有实现和官方 Swin-V2 实现中的一些新增功能之间切换,以供未来试验
  • Sequencer2D 实现 (https://arxiv.org/abs/2205.01972),由作者 (https://github.com/okojoalg) 通过 PR 添加

2022 年 5 月 2 日

  • Vision Transformer 实验,添加相对位置(Swin-V2 对数坐标)(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 — 相对位置 + 扩展宽度 + 残差后归一化,无类别标记,平均池化
    • vit_relpos_base_patch16_224 - 82.5 @ 224, 83.6 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_base_patch16_rpn_224 - 82.3 @ 224 — 相对位置 + 残差后归一化,无类别标记,平均池化
  • Vision Transformer 重构,移除了仅在初始 vit 中使用且在新预训练(如 How to Train Your ViT)中很少使用的表示层
  • vit_* 模型支持移除类别标记,使用全局平均池化,使用 fc_norm(类似于 beit, mae)。

2022 年 4 月 22 日

  • timm 模型现在正式在 fast.ai 中得到支持!正好赶上新的实用深度学习课程。timmdocs 文档链接更新为 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 (使用 AvgPool2d 进行抗锯齿) - 83.85 @ 224, 84.57 @ 288

2022 年 3 月 23 日

  • 向基础 vit 模型添加 ParallelBlockLayerScale 选项,以支持 关于 ViT,每个人都应该知道的三件事 中的模型配置
  • convnext_tiny_hnf (head norm first) 权重使用 (接近) A2 配方训练,top-1 准确率 82.2%,增加训练轮次可能会更好。

2022 年 3 月 21 日

  • 合并 norm_norm_norm重要提示 此更新为即将发布的 0.6.x 版本,可能会在一段时间内破坏主分支的稳定性。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。
  • 版本 中描述的重大权重更新(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‘配置源’(即将支持通用本地文件/远程 URL)奠定了初步基础
  • 添加了 SwinTransformer-V2 实现。由 Christoph Reich 提交。我正在进行的训练实验和模型更改可能会导致兼容性问题。
  • https://github.com/microsoft/Cream/tree/main/AutoFormerV2 添加 Swin-S3 (AutoFormerV2) 模型/权重
  • https://github.com/apple/ml-cvnets 适配的 MobileViT 模型及权重
  • https://github.com/sail-sg/poolformer 适配的 PoolFormer 模型及权重
  • https://github.com/sail-sg/volo 适配的 VOLO 模型及权重
  • 在实验非 BatchNorm 归一化层方面做了大量工作,如 EvoNorm、FilterResponseNorm、GroupNorm 等
  • 为多个模型(尤其是 EfficientNet/MobileNetV3、RegNet 和对齐的 Xception)增强了对备用归一化+激活(‘NormAct’)层的支持
  • 为 EfficientNet 系列添加了分组卷积支持
  • 为所有模型添加了‘组匹配’ API,以允许对模型参数进行分组以应用‘分层’学习率衰减,向学习率调度器添加了 lr_scale
  • 为许多模型添加了梯度检查点支持
  • 为所有模型添加了 forward_head(x, pre_logits=False) 函数,以允许单独调用 forward_features + forward_head
  • 所有 vision transformer 和 vision MLP 模型更新为从 forward_features 返回未池化/未选择标记的特征,以与 CNN 模型保持一致,标记选择或池化现在在 forward_head 中应用

2022 年 2 月 2 日

  • Chris Hughes 昨天在他的博客上发布了一篇关于 timm 的详尽介绍。非常值得一读。 PyTorch Image Models (timm) 入门:实践者指南
  • 我目前正准备在下周左右将 norm_norm_norm 分支合并回 master (版本 0.6.x)。
    • 这次的更改比以往更广泛,可能会破坏一些模型 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 的安装!
    • 0.5.x 版本和 0.5.x 分支将保持稳定,并在尘埃落定前进行一两次 cherry-pick。如果需要稳定,建议暂时坚持使用 pypi 安装。

2022 年 1 月 14 日

  • 版本 0.5.4 将推送到 pypi。距离上次 pypi 更新已经有一段时间了,风险较大的更改很快将合并到主分支…
  • 添加来自官方实现的 ConvNeXT 模型/权重 (https://github.com/facebookresearch/ConvNeXt),进行了一些性能调整,与 timm 的功能兼容
  • 尝试训练了一些小型 (~1.8-3M 参数) / 移动端优化的模型,目前有几个效果不错,更多正在路上…
    • mnasnet_small - 65.6 top-1
    • 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
  • rsomani95 添加的 TinyNet 模型
  • 通过 MobileNetV3 架构添加了 LCNet

2023 年 1 月 5 日

2022 年 12 月 23 日 🎄☃

  • 添加来自 https://github.com/google-research/big_vision 的 FlexiViT 模型和权重(请参阅论文 https://arxiv.org/abs/2212.08013
    • 注意:目前调整大小在模型创建时是静态的,动态调整/训练时 patch 大小采样功能仍在开发中
  • 更多模型已更新为多权重,并可通过 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(正在处理弃用翻译,目前请将主分支视为 DEV 分支,使用 0.6.x 以获得稳定版本)
  • 更多 ImageNet-12k(22k 的子集)预训练模型正在涌现
    • efficientnet_b5.in12k_ft_in1k - 在 448x448 分辨率下达到 85.9
    • vit_medium_patch16_gap_384.in12k_ft_in1k - 在 384x384 分辨率下达到 85.5
    • vit_medium_patch16_gap_256.in12k_ft_in1k - 在 256x256 分辨率下达到 84.5
    • convnext_nano.in12k_ft_in1k - 在 288x288 分辨率下达到 82.9

2022 年 12 月 8 日

  • vision_transformer.py 添加 ‘EVA l’,MAE 风格的 ViT-L/14 MIM 预训练,使用 EVA-CLIP 目标,在 ImageNet-1k 上进行微调(部分模型在 ImageNet-22k 上进行中间微调)
模型 top1 参数数量 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

2022 年 12 月 6 日

模型 top1 参数数量 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

2022 年 12 月 5 日

  • 预发布(0.8.0dev0)多权重支持(model_arch.pretrained_tag)。使用 pip install --pre timm 进行安装
    • vision_transformer、maxvit、convnext 是首批支持该功能的模型实现
    • 模型名称将随之改变(之前的 _21k 等函数将合并),仍在解决弃用处理问题
    • 可能存在 bug,但我需要反馈,所以请试用一下
    • 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
  • 推理脚本允许对输出进行更多控制,可为 top-class 索引 + 概率选择 k,并输出为 json、csv 或 parquet 格式
  • 添加了来自 LAION-2B 和原始 OpenAI CLIP 模型的全套微调 CLIP 图像塔权重
模型 top1 参数数量 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 移植的 MaxViT Tensorflow 权重
    • 对于上采样的 384/512 in21k 微调权重,性能下降幅度超出预期,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

2022 年 10 月 15 日

  • 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(修复了分布式使用的样本填充/包裹,与样本计数估计相关)
  • 脚本/加载器支持 in_chans !=3
  • Adan 优化器
  • 可通过参数启用每步学习率调度
  • 数据集‘parsers’重命名为‘readers’,更具描述性
  • AMP 参数更改,通过 --amp-impl apex 使用 APEX,通过 --amp-dtype bfloat16 支持 bfloat16
  • 主分支切换到 0.7.x 版本,0.6x 分支用于稳定发布仅添加权重的版本
  • master -> main 分支重命名

2022 年 10 月 10 日

  • maxxvit 系列新增更多权重,包括首个基于 ConvNeXt 块的 coatnextmaxxvit 实验
    • coatnext_nano_rw_224 - 82.0 @ 224 (G) — (使用 ConvNeXt 卷积块,无 BatchNorm)
    • maxxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.7 @ 320 (G) (使用 ConvNeXt 卷积块,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) — 训练可以更好,超参数需要调整 (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 发布 — 由于我的实现是独立于他们的,并且存在一些微小差异,加上 TF 的 same padding 问题,需要一些额外的工作来移植和适配。

2022 年 9 月 23 日

  • 支持 LAION-2B CLIP 图像塔作为预训练骨干网络用于微调或特征提取(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

2022 年 9 月 7 日

  • Hugging Face timm 文档主页现已上线,未来将在此发布更多内容
  • 添加来自 https://github.com/microsoft/unilm/tree/master/beit2 的 base 和 large 224x224 模型的 BEiT-v2 权重
  • maxxvit 系列中添加更多权重,包括一个 pico (7.5M 参数, 1.9 GMACs) 和两个 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)

2022 年 8 月 29 日

  • MaxVit 窗口大小默认随 img_size 缩放。新增利用此特性的 RelPosMlp MaxViT 权重
    • maxvit_rmlp_nano_rw_256 - 83.0 @ 256, 83.6 @ 320 (T)

2022 年 8 月 26 日

2022 年 8 月 15 日

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

2022 年 8 月 5 日

  • 更多自定义的 ConvNeXt 小型模型定义及权重
    • 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 EdgeNeXt 以改进 ONNX 导出,添加新的 base 变体和来自原始仓库(https://github.com/mmaaz60/EdgeNeXt)的权重

2022 年 7 月 28 日

  • 添加新鲜出炉的 DeiT-III Medium (width=512, depth=12, num_heads=8) 模型权重。感谢 Hugo Touvron!

2022 年 7 月 27 日

  • 所有运行时基准测试和验证结果的 csv 文件都已更新!
  • 添加了更多权重和模型定义
    • 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
  • 以上 cs3* 权重均在 TPU 上使用 bits_and_tpu 分支训练。感谢 TRC 项目!
  • 为 ConvNeXt 添加 output_stride=8 和 16 的支持(扩张卷积)
  • 修复了 deit3 模型无法调整 pos_emb 大小的问题
  • PyPi 0.6.7 版本发布(包含自 0.6.5 以来的上述 bug 修复和新权重)

2022 年 7 月 8 日

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
    • 应要求添加了小型 ResNet 定义,包含基础块和瓶颈块的 1 次重复(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+ 的骨干网络定义。
    • 更多相对位置 vit 实验。训练了两个 srelpos (共享相对位置) 模型,以及一个带 class token 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 模型好,但不如他们新训练的 USI 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
  • 以上 cs3darknetvit_*relpos 权重均在 TPU 上训练,感谢 TRC 项目!其余在过热的 GPU 上训练。
  • 已验证 Hugging Face Hub 支持修复,演示 notebook 待定
  • 预训练权重/配置可从外部(如本地磁盘)加载,并支持头部适配。
  • 添加支持以更改 timm 数据集/解析器扫描的图像扩展名。请参阅 (https://github.com/rwightman/pytorch-image-models/pull/1274#issuecomment-1178303103)
  • 默认 ConvNeXt LayerNorm 实现在所有情况下通过 LayerNorm2d 使用 F.layer_norm(x.permute(0, 2, 3, 1), ...).permute(0, 3, 1, 2)
    • 在某些硬件(如 Ampere with CL)上比之前的自定义实现稍慢,但在更广泛的硬件/PyTorch 版本范围内的回归问题更少。
    • 之前的实现作为 LayerNormExp2d 存在于 models/layers/norm.py
  • 大量 bug 修复
  • 目前正在为即将发布的 PyPi 0.6.x 版本进行测试
  • LeViT 较大模型的预训练仍在进行中,没有蒸馏的情况下训练效果不佳/不易。是时候(终于)添加蒸馏支持了?
  • ImageNet-22k 权重训练+微调正在进行中,多权重支持工作(缓慢地)推进中(权重太多了,唉)…

2022 年 5 月 13 日

  • 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。
  • 对现有的 timm Swin-V2-CR 实现进行了一些重构,可能会做更多工作以使其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 项目)
    • vit_relpos_small_patch16_224 - 81.5 @ 224, 82.5 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_relpos_medium_patch16_rpn_224 - 82.3 @ 224, 83.1 @ 320 — 相对位置 + 残差后归一化,无类别标记,平均池化
    • vit_relpos_medium_patch16_224 - 82.5 @ 224, 83.3 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_relpos_base_patch16_gapcls_224 - 82.8 @ 224, 83.9 @ 320 — 相对位置,层缩放,有类别标记,平均池化(错误地)
  • 恢复 512 维、8 头‘medium’ ViT 模型变体(在 2020 年首次 ViT 实现中用于 DeiT ‘small’模型之前)
  • 添加 ViT 相对位置支持,以便在现有实现和官方 Swin-V2 实现中的一些新增功能之间切换,以供未来试验
  • Sequencer2D 实现 (https://arxiv.org/abs/2205.01972),由作者 (https://github.com/okojoalg) 通过 PR 添加

2022 年 5 月 2 日

  • Vision Transformer 实验,添加相对位置(Swin-V2 对数坐标)(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 — 相对位置 + 扩展宽度 + 残差后归一化,无类别标记,平均池化
    • vit_relpos_base_patch16_224 - 82.5 @ 224, 83.6 @ 320 — 相对位置,层缩放,无类别标记,平均池化
    • vit_base_patch16_rpn_224 - 82.3 @ 224 — 相对位置 + 残差后归一化,无类别标记,平均池化
  • Vision Transformer 重构,移除了仅在初始 vit 中使用且在新预训练(如 How to Train Your ViT)中很少使用的表示层
  • vit_* 模型支持移除类别标记,使用全局平均池化,使用 fc_norm(类似于 beit, mae)。

2022 年 4 月 22 日

  • timm 模型现在正式在 fast.ai 中得到支持!正好赶上新的实用深度学习课程。timmdocs 文档链接更新为 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 (使用 AvgPool2d 进行抗锯齿) - 83.85 @ 224, 84.57 @ 288

2022 年 3 月 23 日

  • 向基础 vit 模型添加 ParallelBlockLayerScale 选项,以支持 关于 ViT,每个人都应该知道的三件事 中的模型配置
  • convnext_tiny_hnf (head norm first) 权重使用 (接近) A2 配方训练,top-1 准确率 82.2%,增加训练轮次可能会更好。

2022 年 3 月 21 日

  • 合并 norm_norm_norm重要提示 此更新为即将发布的 0.6.x 版本,可能会在一段时间内破坏主分支的稳定性。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。
  • 版本 中描述的重大权重更新(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‘配置源’(即将支持通用本地文件/远程 URL)奠定了初步基础
  • 添加了 SwinTransformer-V2 实现。由 Christoph Reich 提交。我正在进行的训练实验和模型更改可能会导致兼容性问题。
  • https://github.com/microsoft/Cream/tree/main/AutoFormerV2 添加 Swin-S3 (AutoFormerV2) 模型/权重
  • https://github.com/apple/ml-cvnets 适配的 MobileViT 模型及权重
  • https://github.com/sail-sg/poolformer 适配的 PoolFormer 模型及权重
  • https://github.com/sail-sg/volo 适配的 VOLO 模型及权重
  • 在实验非 BatchNorm 归一化层方面做了大量工作,如 EvoNorm、FilterResponseNorm、GroupNorm 等
  • 为多个模型(尤其是 EfficientNet/MobileNetV3、RegNet 和对齐的 Xception)增强了对备用归一化+激活(‘NormAct’)层的支持
  • 为 EfficientNet 系列添加了分组卷积支持
  • 为所有模型添加了‘组匹配’ API,以允许对模型参数进行分组以应用‘分层’学习率衰减,向学习率调度器添加了 lr_scale
  • 为许多模型添加了梯度检查点支持
  • 为所有模型添加了 forward_head(x, pre_logits=False) 函数,以允许单独调用 forward_features + forward_head
  • 所有 vision transformer 和 vision MLP 模型更新为从 forward_features 返回未池化/未选择标记的特征,以与 CNN 模型保持一致,标记选择或池化现在在 forward_head 中应用

2022 年 2 月 2 日

  • Chris Hughes 昨天在他的博客上发布了一篇关于 timm 的详尽介绍。非常值得一读。 PyTorch Image Models (timm) 入门:实践者指南
  • 我目前正准备在下周左右将 norm_norm_norm 分支合并回 master (版本 0.6.x)。
    • 这次的更改比以往更广泛,可能会破坏一些模型 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 的安装!
    • 0.5.x 版本和 0.5.x 分支将保持稳定,并在尘埃落定前进行一两次 cherry-pick。如果需要稳定,建议暂时坚持使用 pypi 安装。

2022 年 1 月 14 日

  • 版本 0.5.4 将推送到 pypi。距离上次 pypi 更新已经有一段时间了,风险较大的更改很快将合并到主分支…
  • 添加来自官方实现的 ConvNeXT 模型/权重 (https://github.com/facebookresearch/ConvNeXt),进行了一些性能调整,与 timm 的功能兼容
  • 尝试训练了一些小型 (~1.8-3M 参数) / 移动端优化的模型,目前有几个效果不错,更多正在路上…
    • mnasnet_small - 65.6 top-1
    • 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
  • rsomani95 添加的 TinyNet 模型
  • 通过 MobileNetV3 架构添加了 LCNet
< > 在 GitHub 上更新