Swin Transformer（小型模型）

Swin Transformer模型在分辨率为224x224的ImageNet-1k数据集上进行训练。它由Liu等人在论文中首次提出，并于 this repository 年首次发布。

声明：发布Swin Transformer的团队没有为该模型编写模型规范卡片，因此该模型规范卡片是由Hugging Face团队编写的。

模型描述

Swin Transformer是一种Vision Transformer类型。它通过合并更深层次的图像块（以灰色显示）来构建分层特征图，并且由于仅在每个局部窗口内计算自注意力（以红色显示），它对于输入图像大小的计算具有线性复杂度。因此，它可以作为图像分类和密集识别任务的通用骨干。相比之下，以前的视觉Transformer生成单一低分辨率的特征图，并且由于对输入图像进行全局自注意力计算，因此其计算复杂度与输入图像大小呈二次关系。

Source

预期用途和限制

您可以使用原始模型进行图像分类。参见 model hub 以查找您感兴趣的任务的微调版本。

如何使用

这是如何使用该模型将COCO 2017数据集中的图像分类为1,000个ImageNet类之一的示例：

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

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

processor = AutoImageProcessor.from_pretrained("microsoft/swin-tiny-patch4-window7-224")
model = AutoModelForImageClassification.from_pretrained("microsoft/swin-tiny-patch4-window7-224")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

更多代码示例，请参阅 documentation 。

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2103-14030,
  author    = {Ze Liu and
               Yutong Lin and
               Yue Cao and
               Han Hu and
               Yixuan Wei and
               Zheng Zhang and
               Stephen Lin and
               Baining Guo},
  title     = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
  journal   = {CoRR},
  volume    = {abs/2103.14030},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.14030},
  eprinttype = {arXiv},
  eprint    = {2103.14030},
  timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-14030.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}