convnext-tiny-224 - 高效图像分类 ConvNeXT卷积神经网络的新突破

项目介绍：ConvNeXT-Tiny-224

ConvNeXT-tiny-224是一个视觉相关的深度学习项目，专注于图像分类任务。这个项目构建了一个基于纯卷积模型（ConvNet）的神经网络，并且在ImageNet-1k数据集上进行训练，同时以224x224像素的分辨率来处理图像。该模型首次在论文A ConvNet for the 2020s中被提出，并发布在该仓库中。

模型描述

ConvNeXT是受Vision Transformers设计启发而开发的一种纯卷积神经网络。研究人员从传统的ResNet网络开始，将其设计进行了现代化更新，并从Swin Transforme中汲取了灵感。他们声称这种更新后的设计在性能上超越了Vision Transformers。在其架构设计中，他们注重了模型的简化和高效性，使其更适合现代的计算需求。

使用意图与限制

ConvNeXT模型主要用于原始图像分类任务。如果用户需要在特定任务上使用，可以查看模型中心以寻找针对该任务优化的模型版本。

使用方法

以下是如何使用ConvNeXT-tiny-224模型将COCO 2017数据集中的一张图像分类为1,000个ImageNet类别之一的代码示例：

from transformers import ConvNextImageProcessor, ConvNextForImageClassification
import torch
from datasets import load_dataset

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

processor = ConvNextImageProcessor.from_pretrained("facebook/convnext-tiny-224")
model = ConvNextForImageClassification.from_pretrained("facebook/convnext-tiny-224")

inputs = processor(image, return_tensors="pt")

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

# 模型预测出1,000个ImageNet类别中的一个
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

更多的代码示例可以参考文档。

引用信息

如果需要在文献中引用该模型，请使用以下BibTeX条目：

@article{DBLP:journals/corr/abs-2201-03545,
  author    = {Zhuang Liu and
               Hanzi Mao and
               Chao{-}Yuan Wu and
               Christoph Feichtenhofer and
               Trevor Darrell and
               Saining Xie},
  title     = {A ConvNet for the 2020s},
  journal   = {CoRR},
  volume    = {abs/2201.03545},
  year      = {2022},
  url       = {https://arxiv.org/abs/2201.03545},
  eprinttype = {arXiv},
  eprint    = {2201.03545},
  timestamp = {Thu, 20 Jan 2022 14:21:35 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2201-03545.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}