MambaVision

MambaVision

高效且灵活的视觉骨干网络,适用于各种分辨率的图像处理

MambaVision采用混合Mamba-Transformer架构,结合自注意力和混合块,实现了卓越的图像分类和特征提取效果。其创新的对称路径设计提升了全局上下文的建模能力,并提供多种预训练模型。MambaVision支持多种分辨率图像处理,适用于分类、检测和分割等任务。最新模型支持Hugging Face和pip包,详细信息见[官网](https://huggingface.co/collections/nvidia/mambavision-66943871a6b36c9e78b327d3)。

MambaVision深度学习计算机视觉图像分类Hugging FaceGithub开源项目

项目介绍:MambaVision

概述

MambaVision是一个混合Mamba-Transformer视觉网络骨干,它结合了自注意力和混合块的分层架构。通过在Top-1准确率和吞吐量上取得新达标的Pareto最优解,MambaVision展示了强劲的性能。项目的实现由Ali Hatamizadeh和Jan Kautz带头开发,并由NVIDIA实验室负责。

项目特点

  1. 创新的混合块: MambaVision通过引入一种全新的无SSM(对称路径不使用SSM)的混合块以增强全局上下文的建模能力。

  2. 分层架构: 该项目采用分层架构,结合了自注意力机制和混合块,使其能够通过多个阶段生成多尺度特征。

  3. 图像处理能力: MambaVision支持处理任意分辨率的图像而无需更改模型配置。

最新更新

  • 2024年7月24日:MambaVision的模型已在Hugging Face上发布。
  • 2024年7月14日:新增支持处理任意分辨率图像。
  • 2024年7月12日:相关论文在arXiv上发布。
  • 2024年7月11日:[MambaVision pip包]现已发布!
  • 2024年7月10日:代码和模型检查点已公开发布。

快速入门

MambaVision提供了在Hugging Face上轻松使用预训练模型的能力,用户只需安装相关依赖,即可通过几行代码导入并使用。如:

pip install mambavision

之后,用户可以使用以下方式加载模型:

from transformers import AutoModelForImageClassification model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-T-1K", trust_remote_code=True)

该模型不仅可以用于图像分类,还可以进行特征提取,提供了每个模型阶段的输出。

常见问题解答

  1. 支持任意分辨率处理吗? 是的,MambaVision允许处理任意分辨率的图像。

  2. 能否用于下游任务如检测、分割? 可以,目前正在努力支持这些任务。用户可以利用MambaVision的特征提取能力进行这些任务。

  3. 我可以在自己的仓库中重新实现MambaVision吗? 可以,预训练权重以CC-BY-NC-SA-4.0许可证发布。请在项目仓库提交issue,我们会添加您的仓库到项目的README文件中并给予适当的感谢。

结果和预训练模型

MambaVision在ImageNet-1K上取得了优异的成绩,其中包括:

名称准确率1(%)准确率5(%)吞吐量(图片/秒)分辨率参数百万(M)FLOPs(G)
MambaVision-T82.396.26298224x22431.84.4
MambaVision-T282.796.35990224x22435.15.1
MambaVision-S83.396.54700224x22450.17.5
MambaVision-B84.296.93670224x22497.715.0
MambaVision-L85.097.12190224x224227.934.9
MambaVision-L285.397.21021224x224241.537.5

这些模型均提供了高效的图像处理能力,适用于多种应用场景。

安装和评估

用户可以通过提供的Docker文件或通过安装PyTorch后,运行以下命令来安装依赖:

pip install -r requirements.txt

MambaVision模型可以通过以下命令在ImageNet-1K验证集上进行评估:

python validate.py \ --model <model-name> --checkpoint <checkpoint-path> --data_dir <imagenet-path> --batch-size <batch-size-per-gpu>

引用

如在您的研究中使用MambaVision,请引用以下论文:

@article{hatamizadeh2024mambavision, title={MambaVision: A Hybrid Mamba-Transformer Vision Backbone}, author={Hatamizadeh, Ali and Kautz, Jan}, journal={arXiv preprint arXiv:2407.08083}, year={2024} }

致谢

本项目构建基于timm库,感谢Ross Wrightman创建和维护如此高质量的库。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多