Transformers 文档

MobileViTV2

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

MobileViTV2

PyTorch

概览

MobileViTV2 模型在 Separable Self-attention for Mobile Vision Transformers 中被提出,作者是 Sachin Mehta 和 Mohammad Rastegari。

MobileViTV2 是 MobileViT 的第二个版本,通过将 MobileViT 中的多头自注意力替换为可分离自注意力构建。

论文摘要如下

移动视觉 transformers (MobileViT) 可以在多个移动视觉任务中实现最先进的性能,包括分类和检测。尽管这些模型参数较少,但与基于卷积神经网络的模型相比,它们具有较高的延迟。MobileViT 的主要效率瓶颈是 transformers 中的多头自注意力 (MHA),这需要相对于 tokens(或 patches)数量 k 的 O(k2) 时间复杂度。此外,MHA 需要昂贵的操作(例如,批量矩阵乘法)来计算自注意力,从而影响资源受限设备上的延迟。本文介绍了一种具有线性复杂度的可分离自注意力方法,即 O(k)。所提出方法的一个简单而有效的特点是,它使用元素级操作来计算自注意力,使其成为资源受限设备的良好选择。改进后的模型 MobileViTV2 在多个移动视觉任务上处于最先进水平,包括 ImageNet 对象分类和 MS-COCO 对象检测。MobileViTV2 拥有约三百万个参数,在 ImageNet 数据集上实现了 75.6% 的 top-1 准确率,在移动设备上运行速度快 3.2 倍的同时,性能超越 MobileViT 约 1%。

此模型由 shehan97 贡献。原始代码可以在这里找到。

使用技巧

  • MobileViTV2 更像是一个 CNN 而不是 Transformer 模型。它不处理序列数据,而是处理图像批次。与 ViT 不同,它没有嵌入。骨干模型输出特征图。
  • 可以使用 MobileViTImageProcessor 来为模型准备图像。请注意,如果您进行自己的预处理,预训练的 checkpoints 期望图像采用 BGR 像素顺序(而不是 RGB)。
  • 可用的图像分类 checkpoints 在 ImageNet-1k 上预训练(也称为 ILSVRC 2012,包含 130 万张图像和 1000 个类别的集合)。
  • 分割模型使用 DeepLabV3 头。可用的语义分割 checkpoints 在 PASCAL VOC 上预训练。

MobileViTV2Config

class transformers.MobileViTV2Config

< >

( num_channels = 3 image_size = 256 patch_size = 2 expand_ratio = 2.0 hidden_act = 'swish' conv_kernel_size = 3 output_stride = 32 classifier_dropout_prob = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-05 aspp_out_channels = 512 atrous_rates = [6, 12, 18] aspp_dropout_prob = 0.1 semantic_loss_ignore_index = 255 n_attn_blocks = [2, 4, 3] base_attn_unit_dims = [128, 192, 256] width_multiplier = 1.0 ffn_multiplier = 2 attn_dropout = 0.0 ffn_dropout = 0.0 **kwargs )

参数

  • num_channels (int, optional, 默认为 3) — 输入通道的数量。
  • image_size (int, optional, 默认为 256) — 每张图像的大小(分辨率)。
  • patch_size (int, optional, 默认为 2) — 每个 patch 的大小(分辨率)。
  • expand_ratio (float, optional, 默认为 2.0) — MobileNetv2 层的扩展因子。
  • hidden_act (strfunction, optional, 默认为 "swish") — Transformer 编码器和卷积层中的非线性激活函数(函数或字符串)。
  • conv_kernel_size (int, optional, 默认为 3) — MobileViTV2 层中卷积核的大小。
  • output_stride (int, optional, 默认为 32) — 输出的空间分辨率与输入图像分辨率的比率。
  • classifier_dropout_prob (float, optional, 默认为 0.1) — 附加分类器的 dropout 比率。
  • initializer_range (float, optional, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • layer_norm_eps (float, optional, 默认为 1e-05) — 层归一化层使用的 epsilon。
  • aspp_out_channels (int, 可选, 默认为 512) — 用于语义分割的 ASPP 层中使用的输出通道数。
  • atrous_rates (List[int], 可选, 默认为 [6, 12, 18]) — 用于语义分割的 ASPP 层中使用的扩张(atrous)因子。
  • aspp_dropout_prob (float, 可选, 默认为 0.1) — 用于语义分割的 ASPP 层的 dropout 比率。
  • semantic_loss_ignore_index (int, 可选, 默认为 255) — 语义分割模型的损失函数忽略的索引。
  • n_attn_blocks (List[int], 可选, 默认为 [2, 4, 3]) — 每个 MobileViTV2Layer 中的注意力模块的数量
  • base_attn_unit_dims (List[int], 可选, 默认为 [128, 192, 256]) — 每个 MobileViTV2Layer 中注意力模块的维度的基本乘数
  • width_multiplier (float, 可选, 默认为 1.0) — MobileViTV2 的宽度乘数。
  • ffn_multiplier (int, 可选, 默认为 2) — MobileViTV2 的 FFN 乘数。
  • attn_dropout (float, 可选, 默认为 0.0) — 注意力层中的 dropout。
  • ffn_dropout (float, 可选, 默认为 0.0) — FFN 层之间的 dropout。

这是用于存储 MobileViTV2Model 配置的配置类。它用于根据指定的参数实例化 MobileViTV2 模型,定义模型架构。使用默认值实例化配置将产生与 MobileViTV2 apple/mobilevitv2-1.0 架构类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。

示例

>>> from transformers import MobileViTV2Config, MobileViTV2Model

>>> # Initializing a mobilevitv2-small style configuration
>>> configuration = MobileViTV2Config()

>>> # Initializing a model from the mobilevitv2-small style configuration
>>> model = MobileViTV2Model(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

MobileViTV2Model

class transformers.MobileViTV2Model

< >

( config: MobileViTV2Config expand_output: bool = True )

参数

  • config (MobileViTV2Config) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

裸 MobileViTV2 模型,输出原始隐藏状态,顶部没有任何特定的 head。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< >

( pixel_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息,请参阅 MobileViTImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或一个 torch.FloatTensor 元组(如果传递 return_dict=False 或当 config.return_dict=False 时),包含各种元素,具体取决于配置 (MobileViTV2Config) 和输入。

  • last_hidden_state (torch.FloatTensor,形状为 (batch_size, num_channels, height, width)) — 模型最后一层输出的隐藏状态序列。

  • pooler_output (torch.FloatTensor,形状为 (batch_size, hidden_size)) — 对空间维度执行池化操作后的最后一层隐藏状态。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(对于嵌入的输出,如果模型具有嵌入层,则为一个;对于每一层的输出,则为一个),形状为 (batch_size, num_channels, height, width)

    模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。

MobileViTV2Model forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数中定义,但应在此之后调用 Module 实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, MobileViTV2Model
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")
>>> model = MobileViTV2Model.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 512, 8, 8]

MobileViTV2ForImageClassification

class transformers.MobileViTV2ForImageClassification

< >

( config: MobileViTV2Config )

参数

  • config (MobileViTV2Config) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

带有图像分类 head(池化特征顶部的线性层)的 MobileViTV2 模型,例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< >

( pixel_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息,请参阅 MobileViTImageProcessor.call()
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。 详见返回张量下的 hidden_states 部分了解更多细节。
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是纯粹的元组。
  • labels (torch.LongTensor, 形状为 (batch_size,), optional) — 用于计算图像分类/回归损失的标签。 索引应在 [0, ..., config.num_labels - 1] 范围内。 如果 config.num_labels == 1,则计算回归损失(均方误差损失)。 如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回

transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或者一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时),包含各种元素,具体取决于配置 (MobileViTV2Config) 和输入。

  • loss (torch.FloatTensor, 形状为 (1,), optional, 当提供 labels 时返回) — 分类(或回归,如果 config.num_labels==1)损失。
  • logits (torch.FloatTensor, 形状为 (batch_size, config.num_labels)) — 分类(或回归,如果 config.num_labels==1)得分(在 SoftMax 之前)。
  • hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型具有嵌入层,则为嵌入输出一个,+ 每个阶段的输出一个),形状为 (batch_size, num_channels, height, width)。 模型在每个阶段输出的隐藏状态(也称为特征图)。

MobileViTV2ForImageClassification 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数中定义,但应在此之后调用 Module 实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, MobileViTV2ForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")
>>> model = MobileViTV2ForImageClassification.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat

MobileViTV2ForSemanticSegmentation

class transformers.MobileViTV2ForSemanticSegmentation

< >

( config: MobileViTV2Config )

参数

  • config (MobileViTV2Config) — 带有模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型关联的权重,仅加载配置。 查看 from_pretrained() 方法来加载模型权重。

带有语义分割头的 MobileViTV2 模型,例如用于 Pascal VOC 数据集。

此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< >

( pixel_values: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.SemanticSegmenterOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor, 形状为 (batch_size, num_channels, height, width)) — 像素值。 像素值可以使用 AutoImageProcessor 获得。 详见 MobileViTImageProcessor.call() 了解详情。
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。 详见返回张量下的 hidden_states 部分了解更多细节。
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是纯粹的元组。
  • labels (torch.LongTensor, 形状为 (batch_size, height, width), optional) — 用于计算损失的语义分割真值图。 索引应在 [0, ..., config.num_labels - 1] 范围内。 如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回

transformers.modeling_outputs.SemanticSegmenterOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SemanticSegmenterOutput 或者一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时),包含各种元素,具体取决于配置 (MobileViTV2Config) 和输入。

  • loss (torch.FloatTensor, 形状为 (1,), optional, 当提供 labels 时返回) — 分类(或回归,如果 config.num_labels==1)损失。

  • logits (torch.FloatTensor, 形状为 (batch_size, config.num_labels, logits_height, logits_width)) — 每个像素的分类得分。

    返回的 logits 不一定与作为输入传递的 pixel_values 具有相同的大小。 这是为了避免进行两次插值,并在用户需要将 logits 调整为原始图像大小时丢失一些质量作为后处理。 您应始终检查您的 logits 形状并在需要时调整大小。

  • hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型具有嵌入层,则为嵌入输出一个,+ 每层输出一个),形状为 (batch_size, patch_size, hidden_size)

    模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每层一个),形状为 (batch_size, num_heads, patch_size, sequence_length)

    注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。

MobileViTV2ForSemanticSegmentation 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数中定义,但应在此之后调用 Module 实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> import requests
>>> import torch
>>> from PIL import Image
>>> from transformers import AutoImageProcessor, MobileViTV2ForSemanticSegmentation

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")
>>> model = MobileViTV2ForSemanticSegmentation.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> # logits are of shape (batch_size, num_labels, height, width)
>>> logits = outputs.logits
< > 在 GitHub 上更新