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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多