【免费下载链接】internimage_h_22kto1k_640项目地址https://ai.gitcode.com/OpenGVLab/internimage_h_22kto1k_640点击查看免费下载本仓库是InternImage-H 视觉基座模型visual foundation model的官方开源落地1.08B 参数、640×640 输入分辨率在 ImageNet-1K 图像分类基准上取得89.6% Top-1 精度仓库内含约 4.36GB 预训练权重与可直接运行的 Transformers 代码。无论你是想要高精度图像分类器还是通用的视觉特征提取骨干backbone都能在这里即拿即用。一、项目速览一张表看懂 InternImage-H 的核心指标属性数值模型名称InternImage-Hinternimage_h_22kto1k_640参数量1.08B输入分辨率640×640预训练路线427M 图文联合数据 → ImageNet-22K → ImageNet-1K 微调ImageNet-1K Top-189.6%FLOPs1478G核心算子DCNv3第三代可变形卷积权重文件model.safetensors约 4.36GBfloat32 背景InternImage 由上海人工智能实验室、清华大学等机构研发是目前开源模型中少数在 ImageNet-1K 上 Top-1 突破 90% 的视觉基座模型旗舰版 InternImage-G 达 90.1%并在 COCO 等 16 个视觉基准上保持全球领先详见 README.md。二、为什么是 DCNv3一眼看懂 InternImage 的核心算子当前主流视觉大模型多以 Transformer 自注意力为核心InternImage 却另辟蹊径采用可变形卷积DCNv3作为核心算子定义见 dcnv3.py动态感受野卷积采样点随图像内容自适应偏移等于按需看图天然适合检测、分割等需要精确定位的任务自适应空间聚合配合深度可分离卷积本项目dw_kernel_size: 5与中心特征缩放特征表达更灵活零门槛降级未安装 CUDA 加速版时代码会自动回退到 PyTorch 纯实现开箱即用。CUDA 与 PyTorch 双实现的自动切换逻辑在 dcnv3_func.py新手完全不用关心底层细节。三、config.json 逐项解读89.6% 精度的结构密码所有结构参数集中在 config.json几个关键项参数值含义depths[6, 6, 32, 6]4 个阶段共 50 个基础层第三阶段最深、主打精细特征channels320初始特征通道逐级翻倍至 2560groups[10, 20, 40, 80]各阶段 DCNv3 的分组数dw_kernel_size5深度可分离卷积核大小H/G 系列特有use_clip_projectortrue启用 CLIP 投影分类头H/G 系列特有num_classes1000ImageNet-1K 分类数mlp_ratio/act_layer/norm_layer4.0 / GELU / LN隐藏层扩展比、激活与归一化其中use_clip_projector: true对应 modeling_internimage.py 中的 CLIP 投影分类头先对第 3、4 阶段特征做 1×1 卷积升维再经注意力池化压缩为 768 维向量、输出 1000 类 logits——这正是 H 系列相比小模型的独有设计也是炼成高精度的一环。四、快速上手InternImage-H 的两种用法仓库已适配 transformers 4.37.2config.json 的auto_map预置了AutoModel骨干与AutoModelForImageClassification分类器两个入口。图像分类最小示例from PIL import Image from transformers import AutoModelForImageClassification, CLIPImageProcessor model_name OpenGVLab/internimage_h_22kto1k_640 processor CLIPImageProcessor.from_pretrained(model_name) pixel_values processor(imagesImage.open(img.png), return_tensorspt).pixel_values model AutoModelForImageClassification.from_pretrained(model_name, trust_remote_codeTrue) label model(pixel_values).logits.argmax(dim1).item() # 预测类别想把它当作检测/分割任务的特征骨干时改用AutoModel.hidden_states会返回 4 个阶段的特征输出逻辑见 modeling_internimage.py——这正是 InternImage 在下游任务中最强的地方。五、权重下载与预处理配置首次使用先克隆仓库并拉取 LFS 权重git clone https://gitcode.com/OpenGVLab/internimage_h_22kto1k_640 cd internimage_h_22kto1k_640 git lfs pull权重model.safetensors 是 Git LFS 文件约 4.36GB若 clone 后文件只有 135 字节说明只下载了指针执行git lfs pull即可预处理preprocessor_config.json 已配置 640×640 中心裁剪与 ImageNet 标准归一化均值 0.485/0.456/0.406与训练时完全一致无需手工设置。六、可选进阶DCNv3 CUDA 加速安装非必须但强烈建议CUDA 算子能显著降低显存占用、提升推理速度。按 README.md 中 DCNv3 CUDA Kernel Installation 一节的步骤在 InternImage 官方仓库的classification/ops_dcnv3目录执行sh make.sh编译即可。安装成功后模型启动时会自动选用 CUDA 实现并打印DCNv3 is installed, using CUDA implementation.。七、新手 FAQ三个最常踩的坑显存吃紧640 分辨率 1478G FLOPs 确实不小。部署场景可平滑降级到同族小模型例如 internimage_l_22kto1k_384223M 参数、87.7% 精度结构与 API 完全一致推理偏慢检查是否安装了 DCNv3 CUDA 内核。未安装会自动走 PyTorch 回退实现功能正常但更慢、更占显存权重文件只有 100 多字节这是 Git LFS 指针文件执行git lfs pull下载真实权重即可。八、选型建议InternImage 家族怎么选模型参数量分辨率Top-1适用场景InternImage-T30M22483.5%轻量部署InternImage-B97M22484.9%速度与精度平衡InternImage-L223M38487.7%精度优先InternImage-H1.08B64089.6%高精度视觉基座本仓库InternImage-G3B51290.1%追求极限精度整个仓库结构非常精简核心模块只有四块configuration_internimage.py配置类、modeling_internimage.py模型主体、dcnv3.py 与 dcnv3_func.py核心算子新手完全可以在半天内通读源码。论文引用信息BibTeX也已整理在 README.md 中欢迎在学术项目中参考。赞分享【免费下载链接】internimage_h_22kto1k_640项目地址https://ai.gitcode.com/OpenGVLab/internimage_h_22kto1k_640点击查看免费下载相关推荐InternImage-G快速开始教程3行代码跑通90.1% Top-1精度的变形卷积视觉模型InternImage G快速开始教程3行代码跑通90.1% Top 1精度的变形卷积视觉模型 InternImage G 是由上海人工智能实验室、清华大学等一文读懂Hulu-Med统一医学文本、2D/3D影像与视频的开源视觉语言模型全景解析一文读懂Hulu Med统一医学文本、2D/3D影像与视频的开源视觉语言模型全景解析 Hulu Med 是由 ZJU AI4H 团队推出的完全开源的 医学视觉终极指南如何用Grad-CAM揭秘DiT模型的视觉决策机制终极指南如何用Grad CAM揭秘DiT模型的视觉决策机制 DiTDiffusion Models with Transformers是一个基于PyTor人工智能深度学习计算机视觉媒体生成创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考