mambaout_kobe.in1k：5分钟跑通轻量图像分类

mambaout_kobe.in1k：5分钟跑通轻量图像分类

【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k

图像分类要做，但机器配置不高？预训练模型 mambaout_kobe.in1k 就是为这个准备的：9.1M 参数、单次推理只花 1.5 GMACs（每张图要算多少量的意思），能分 1000 类 ImageNet。用 timm 库跑，5 分钟出第一个结果。

🎯 它适合什么场景

• 如果你需要把分类塞进一台单卡机器甚至低配主机，9.1M 参数、单图 1.5 GMACs 的开销，224x224 输入下 Top-1 准确率（一次就猜对的占比）有 79.986%。
• 如果你需要一个轻量的特征提取主干，它可以直接吐出 4 级特征图，给检测、分割等下游任务用。
• 如果你要拿图像向量做相似度检索，去掉分类头后能直接拿到 288 维的嵌入向量。

⏱️ 5 分钟跑通第一个结果

终端里跑pip install timm torch pillow装好依赖。下面这段代码做三件事：加载预训练模型、自动套上匹配的预处理、喂一张图拿 Top-5 结果。

import timm from PIL import Image # 加载预训练模型，权重自动下载 model = timm.create_model('mambaout_kobe.in1k', pretrained=True) model.eval() # 生成该模型专属的预处理流水线 data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) img = Image.open('cat.jpg') # 换成你要分类的图片 output = model(transforms(img).unsqueeze(0)) print(torch.topk(output.softmax(dim=1), k=5))

运行后你会看到 5 个类别编号和对应置信度（0~100），第一个就是模型最倾向的类别。编号对应 ImageNet-1k 的标签表，可以映射成英文名。示例里的cat.jpg换成任意本地图片路径即可。

🔧 改一个参数，出特征图和向量

出特征图

迁移学习或者想看"模型到底在看哪一层"时用它。只需给 create_model 加上features_only=True：

model = timm.create_model('mambaout_kobe.in1k', pretrained=True, features_only=True) output = model(transforms(img).unsqueeze(0)) for o in output: print(o.shape) # 得到 56x56、28x28、14x14、7x7 四级特征图

出嵌入向量

做相似度检索或聚类时用。把num_classes改成 0，分类头就没了：

model = timm.create_model('mambaout_kobe.in1k', pretrained=True, num_classes=0) output = model(transforms(img).unsqueeze(0)) print(output.shape) # (1, 288)，一根 288 维向量

📊 规格速查

kobe 是 MambaOut 系列里的轻量档，下面按 224x224 输入列出各档 Top-1 对比，输出维度指最终特征维数：

数据来源：项目 README 内置模型对比表。

预处理走 ImageNet 标准均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225]，create_transform会自动处理。模型不锁死输入尺寸，喂 288x288 也能跑，准确率还能提到 81.054%。

❓ 常见问题

必须要 GPU 吗？不用。kobe 只有 9.14M 参数，CPU 上跑单张图推理也就几秒钟，验证结果和小批量够用。想提吞吐就上 GPU。

支持哪些框架？PyTorch 生态，靠 timm 库加载。权重还附带 safetensors（一种新的张量存储格式）文件，需要换工具加载时可以直接切过去。

同系列其他规格怎么选？想用三倍参数换更高准确率，看 tiny（26.55M，Top-1 82.736%）；要更轻就看 femto（7.3M，但准确率掉约 1 个点）。

把它部署到单卡或低配设备上做图像分类，这个规格够用。追求精度上限，建议上到 small 或 base 档。对应论文：MambaOut: Do We Really Need Mamba for Vision?（Yu Weihao, Wang Xinchao, arXiv 2405.07992, 2024）。

【免费下载链接】mambaout_kobe.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/mambaout_kobe.in1k