maxvit_t

torchvision.models.maxvit_t(*, weights: Optional[MaxVit_T_Weights] = None, progress: bool = True, **kwargs: Any) → MaxVit

根据 MaxViT: Multi-Axis Vision Transformer (多轴视觉 Transformer) 构建 maxvit_t 架构。

参数:

• weights (MaxVit_T_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下方的 MaxVit_T_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 如果为 True，则在 stderr 中显示下载进度条。默认为 True。

• **kwargs – 传递给 torchvision.models.maxvit.MaxVit 基类的参数。有关此类的更多详细信息，请参阅源代码。

class torchvision.models.MaxVit_T_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。MaxVit_T_Weights.DEFAULT 等同于 MaxVit_T_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MaxVit_T_Weights.IMAGENET1K_V1:

这些权重使用类似的训练方案，可以很好地重现论文的结果。它们使用 0.99 的 BatchNorm2D 动量进行训练，而不是更正确的 0.01。也可以通过 MaxVit_T_Weights.DEFAULT 获取。

acc@1 (在 ImageNet-1K 上)	83.7
acc@5 (在 ImageNet-1K 上)	96.722
类别	丁鱥、金鱼、大白鲨，... (省略 997 个)
参数数量	30919624
最小尺寸	height=224, width=224
训练方案	链接
GFLOPS	5.56
文件大小	118.8 MB

推理变换可在 MaxVit_T_Weights.IMAGENET1K_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BICUBIC 将图像大小调整为 resize_size=[224]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，先将值缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。