Vision Middleware (ViM) 视觉中间件模型介绍

本模型为基于中游任务训练的基础模型多任务中间件模块组，其基础模型为 CLIP-ViT-B/16。

模型描述

基础模型的预训练与下游任务存在差异，影响不同任务的迁移性能。Vision Middleware (ViM) 通过引入中游阶段的多任务学习，以视觉中间件模块的方式实现基础模型的通用迁移能力支持，其框架如下图所示：

ViM 框架示意图

• 上游阶段：基础模型的大规模预训练（数据量 Billion-level+）
• 中游阶段：引入一系列不同的中游任务（如不同数据集的分类/检测/分割等），每个任务独立训练一个适配该任务的中间件模块，基础模型固定（数据量 Million-level）
• 下游阶段：针对特定下游任务，对训练的中间件模块进行自适应聚集，快速将基础模型适配至当前任务（数据量可为百/千级别）

期望模型使用方式以及适用范围

目前，本仓库所开源的模型提供了以下两类任务支持：

• 图像分类 ImageNet-1K
• 语义分割 PASCAL VOC

如何使用

基于 ModelScope 框架，通过调用预定义的 Pipeline 可实现快速调用（目前支持语义分割任务、GPU 运行）。

代码示例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.outputs import OutputKeys

vim_pipeline = pipeline(Tasks.image_segmentation, 'damo/cv_vit-b16_vision-middleware', model_revision='v0.1.1')
result_status = vim_pipeline('https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/vision_middleware_test1.jpg')
result = result_status[OutputKeys.MASKS]

模型局限性及可能造成的偏差

本模型基于公开的通用数据集训练，且仅适用于训练数据的覆盖类别，在具体应用场景下可能存在偏差。

训练数据介绍

1. ImageNet-1K 数据集，通用的图像分类数据集，包含 1K 类别。

2. PASCAL VOC 数据集，通用的语义分割数据集，包含 21 类别（含背景类）

数据评估及结果

head-only tuning

在线体验

开发中

论文引用

如果你觉得本模型有所帮助，请考虑引用下面的相关论文

@misc{feng2023vim,
      title={ViM: Vision Middleware for Unified Downstream Transferring}, 
      author={Yutong Feng and Biao Gong and Jianwen Jiang and Yiliang Lv and Yujun Shen and Deli Zhao and Jingren Zhou},
      year={2023},
      eprint={2303.06911},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}