懂AI
metaformer

metaformer

一系列视觉基线模型

MetaFormer项目推出多款视觉基线模型，包括IdentityFormer、RandFormer、ConvFormer和CAFormer。这些模型在ImageNet-1K数据集上表现出色，根据不同的token mixer架构，如身份映射、全局随机混合、可分离深度卷积和自注意机制，在224x224分辨率下的Top-1准确率均超过80%。特别是CAFormer，在无外部数据或蒸馏的条件下，达到85.5%的准确率记录。这些模型已集成到timm库中，方便应用和扩展。

MetaFormerIdentityFormerRandFormerConvFormerCAFormerGithub开源项目
GitHubHugging Face论文

项目介绍：MetaFormer

项目概述

MetaFormer 是一个由多个视觉基准模型组成的项目，通过不同的基线模型来提高图像识别的准确性。该项目的核心思想是通过不对图像进行复杂的预处理或使用外部数据，单纯依靠模型结构的创新来提升模型的性能。MetaFormer 提出了四种基线模型，分别是 IdentityFormer、RandFormer、ConvFormer 和 CAFormer。

模型简介

  1. IdentityFormer 和 RandFormer

    • IdentityFormer 使用恒等映射作为 token 混合器。
    • RandFormer 则采用全局随机混合技术。
    • 这两种模型展示了 MetaFormer 针对任意 token 混合器的有效性，并且在 ImageNet-1K 数据集上取得了超过 80% 的准确率。

  2. ConvFormer

    • ConvFormer 是基于卷积神经网络（CNN）的模型，其表现超越了同类的 ConvNeXt 模型。
    • 它采用了可分离的深度卷积作为 token 混合器。

  3. CAFormer

    • CAFormer 利用 vanilla 自注意力机制作为 token 混合器。
    • 在 ImageNet-1K 数据集上以普通监督训练实现了 85.5% 的新记录，未使用任何外部数据或蒸馏技术。

模型架构

  • 这些模型采用了类似于 ResNet 的分层结构，分为 4 个阶段。
  • 各个阶段都包含若干个特定维度的特征块，通过卷积层进行下采样。
  • 下采样使用大小为 7 和步幅为 4 的核，以及大小为 3 和步幅为 2 的核。

实验结果

MetaFormer 基准模型的表现如图所示，在 ImageNet-1K 的分辨率 224x224 上，CAFormer 和 ConvFormer 均展现出优异的性能。具体型号如 CAFormer-s18、CAFormer-s36、ConvFormer-s18 等不同组合，展示了在不同配置下的参数量和计算开销。

前置条件与数据准备

使用 MetaFormer 需要安装以下软件包：

  • PyTorch 版本 >1.7.0
  • torchvision 版本 >0.8.0
  • PyYAML
  • timm 库

数据则需要准备 ImageNet 数据集，按照特定的文件夹结构进行组织。

模型训练与验证

  • 可使用脚本来快速评估和训练模型。
  • 默认的训练批量为 4096，可根据 GPU 数量和内存容量进行调整。

贡献与致谢

MetaFormer 的开发得到了多个项目的支持，其中包括 TRC 项目和 GCP 的研究信用部分资源。同时，许多实现基于开源库 pytorch-image-models。

总结

MetaFormer 为视觉识别任务提供了一套全新的基准模型，通过对模型架构的创新，展示了在无需复杂数据预处理的情况下即可显著提升模型性能。该项目不仅对学术研究有积极贡献，在工业界的应用也具备一定潜力。

编辑推荐精选

问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

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。

下拉加载更多