mambaout_kobe.in1k5分钟跑通轻量图像分类【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k图像分类要做但机器配置不高预训练模型 mambaout_kobe.in1k 就是为这个准备的9.1M 参数、单次推理只花 1.5 GMACs每张图要算多少量的意思能分 1000 类 ImageNet。用 timm 库跑5 分钟出第一个结果。 它适合什么场景如果你需要把分类塞进一台单卡机器甚至低配主机9.1M 参数、单图 1.5 GMACs 的开销224x224 输入下 Top-1 准确率一次就猜对的占比有 79.986%。如果你需要一个轻量的特征提取主干它可以直接吐出 4 级特征图给检测、分割等下游任务用。如果你要拿图像向量做相似度检索去掉分类头后能直接拿到 288 维的嵌入向量。⏱️ 5 分钟跑通第一个结果终端里跑pip install timm torch pillow装好依赖。下面这段代码做三件事加载预训练模型、自动套上匹配的预处理、喂一张图拿 Top-5 结果。import timm from PIL import Image # 加载预训练模型权重自动下载 model timm.create_model(mambaout_kobe.in1k, pretrainedTrue) model.eval() # 生成该模型专属的预处理流水线 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) img Image.open(cat.jpg) # 换成你要分类的图片 output model(transforms(img).unsqueeze(0)) print(torch.topk(output.softmax(dim1), k5))运行后你会看到 5 个类别编号和对应置信度0~100第一个就是模型最倾向的类别。编号对应 ImageNet-1k 的标签表可以映射成英文名。示例里的cat.jpg换成任意本地图片路径即可。 改一个参数出特征图和向量出特征图迁移学习或者想看模型到底在看哪一层时用它。只需给 create_model 加上features_onlyTruemodel timm.create_model(mambaout_kobe.in1k, pretrainedTrue, features_onlyTrue) output model(transforms(img).unsqueeze(0)) for o in output: print(o.shape) # 得到 56x56、28x28、14x14、7x7 四级特征图出嵌入向量做相似度检索或聚类时用。把num_classes改成 0分类头就没了model timm.create_model(mambaout_kobe.in1k, pretrainedTrue, num_classes0) output model(transforms(img).unsqueeze(0)) print(output.shape) # (1, 288)一根 288 维向量 规格速查kobe 是 MambaOut 系列里的轻量档下面按 224x224 输入列出各档 Top-1 对比输出维度指最终特征维数输入尺寸Top-1 准确率参数量 (M)输出维度mambaout_kobe.in1k 224x22479.986%9.14288mambaout_tiny.in1k 224x22482.736%26.55-mambaout_small.in1k 224x22484.086%48.49-mambaout_base.in1k 224x22484.168%84.81-数据来源项目 README 内置模型对比表。预处理走 ImageNet 标准均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225]create_transform会自动处理。模型不锁死输入尺寸喂 288x288 也能跑准确率还能提到 81.054%。❓ 常见问题必须要 GPU 吗不用。kobe 只有 9.14M 参数CPU 上跑单张图推理也就几秒钟验证结果和小批量够用。想提吞吐就上 GPU。支持哪些框架PyTorch 生态靠 timm 库加载。权重还附带 safetensors一种新的张量存储格式文件需要换工具加载时可以直接切过去。同系列其他规格怎么选想用三倍参数换更高准确率看 tiny26.55MTop-1 82.736%要更轻就看 femto7.3M但准确率掉约 1 个点。把它部署到单卡或低配设备上做图像分类这个规格够用。追求精度上限建议上到 small 或 base 档。对应论文MambaOut: Do We Really Need Mamba for Vision?Yu Weihao, Wang Xinchao, arXiv 2405.07992, 2024。【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 mambaout_kobe.in1k：5分钟跑通轻量图像分类
mambaout_kobe.in1k5分钟跑通轻量图像分类【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k图像分类要做但机器配置不高预训练模型 mambaout_kobe.in1k 就是为这个准备的9.1M 参数、单次推理只花 1.5 GMACs每张图要算多少量的意思能分 1000 类 ImageNet。用 timm 库跑5 分钟出第一个结果。 它适合什么场景如果你需要把分类塞进一台单卡机器甚至低配主机9.1M 参数、单图 1.5 GMACs 的开销224x224 输入下 Top-1 准确率一次就猜对的占比有 79.986%。如果你需要一个轻量的特征提取主干它可以直接吐出 4 级特征图给检测、分割等下游任务用。如果你要拿图像向量做相似度检索去掉分类头后能直接拿到 288 维的嵌入向量。⏱️ 5 分钟跑通第一个结果终端里跑pip install timm torch pillow装好依赖。下面这段代码做三件事加载预训练模型、自动套上匹配的预处理、喂一张图拿 Top-5 结果。import timm from PIL import Image # 加载预训练模型权重自动下载 model timm.create_model(mambaout_kobe.in1k, pretrainedTrue) model.eval() # 生成该模型专属的预处理流水线 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) img Image.open(cat.jpg) # 换成你要分类的图片 output model(transforms(img).unsqueeze(0)) print(torch.topk(output.softmax(dim1), k5))运行后你会看到 5 个类别编号和对应置信度0~100第一个就是模型最倾向的类别。编号对应 ImageNet-1k 的标签表可以映射成英文名。示例里的cat.jpg换成任意本地图片路径即可。 改一个参数出特征图和向量出特征图迁移学习或者想看模型到底在看哪一层时用它。只需给 create_model 加上features_onlyTruemodel timm.create_model(mambaout_kobe.in1k, pretrainedTrue, features_onlyTrue) output model(transforms(img).unsqueeze(0)) for o in output: print(o.shape) # 得到 56x56、28x28、14x14、7x7 四级特征图出嵌入向量做相似度检索或聚类时用。把num_classes改成 0分类头就没了model timm.create_model(mambaout_kobe.in1k, pretrainedTrue, num_classes0) output model(transforms(img).unsqueeze(0)) print(output.shape) # (1, 288)一根 288 维向量 规格速查kobe 是 MambaOut 系列里的轻量档下面按 224x224 输入列出各档 Top-1 对比输出维度指最终特征维数输入尺寸Top-1 准确率参数量 (M)输出维度mambaout_kobe.in1k 224x22479.986%9.14288mambaout_tiny.in1k 224x22482.736%26.55-mambaout_small.in1k 224x22484.086%48.49-mambaout_base.in1k 224x22484.168%84.81-数据来源项目 README 内置模型对比表。预处理走 ImageNet 标准均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225]create_transform会自动处理。模型不锁死输入尺寸喂 288x288 也能跑准确率还能提到 81.054%。❓ 常见问题必须要 GPU 吗不用。kobe 只有 9.14M 参数CPU 上跑单张图推理也就几秒钟验证结果和小批量够用。想提吞吐就上 GPU。支持哪些框架PyTorch 生态靠 timm 库加载。权重还附带 safetensors一种新的张量存储格式文件需要换工具加载时可以直接切过去。同系列其他规格怎么选想用三倍参数换更高准确率看 tiny26.55MTop-1 82.736%要更轻就看 femto7.3M但准确率掉约 1 个点。把它部署到单卡或低配设备上做图像分类这个规格够用。追求精度上限建议上到 small 或 base 档。对应论文MambaOut: Do We Really Need Mamba for Vision?Yu Weihao, Wang Xinchao, arXiv 2405.07992, 2024。【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考