如何把 mobilevitv2_100.cvnets_in1k 当作特征骨干：多尺度特征图提取（features

人工智能
计算机视觉

【免费下载链接】mobilevitv2_100.cvnets_in1k

项目地址：https://ai.gitcode.com/hf_mirrors/timm/mobilevitv2_100.cvnets_in1k

如果你正在寻找一个轻量、快速且自带多尺度特征输出的图像模型，timm 中的mobilevitv2_100.cvnets_in1k（MobileViT-v2 架构，ImageNet-1k 预训练）是非常不错的选择。只需在timm.create_model()中加一个参数features_only=True，它就能输出 5 组分辨率递减的多尺度特征图，直接作为检测、分割等多任务网络的特征骨干（backbone）使用。下面用最短路径带你跑通整个流程。

📦 模型速览：4.9M 参数的轻量特征骨干

mobilevitv2_100.cvnets_in1k 是一款基于MobileViT-v2架构的图像分类模型，由论文作者训练后发布，核心指标如下（数据来自 README.md）：

指标	数值	说明
参数量	4.9 M	极其轻量，适合移动端部署
计算量（GMACs）	1.8	推理速度飞快
输入尺寸	256 × 256	预训练基准输入
激活量	16.1 M	显存占用小
预训练数据集	ImageNet-1k（1000 类）	通用视觉表征

MobileViT-v2 是 ConvNeXt 与 Vision Transformer 分离式自注意力结合的产物，卷积负责局部细节，注意力负责全局语义，因此它输出的特征图既有空间精度，又富含语义信息——这正是多任务骨干需要的"甜点区"。

模型配置详情可查阅 config.json，其中两个字段值得注意：

input_size: [3, 256, 256]：预训练输入为 256×256
mean: [0,0,0]/std: [1,1,1]：图像只需归一化到 [0,1] 区间，无需均值方差标准化，预处理更简单

🎯 为什么选它做多尺度特征提取？

用features_only=True加载时，timm 会自动剥离分类头，返回网络各阶段的全部特征图（而不是单个向量），这带来三个直接好处：

一套骨干，多任务复用🚀 —— 浅层图（如 128×128）保留细节，适合小目标检测；深层图（如 8×8）语义强，适合分割与分类；
比 ConvNeXt-Tiny / EfficientNet 更轻—— 4.9M 参数、1.8 GMACs 的量级，端侧、边缘设备友好；
预处理极简—— 无需 ImageNet 均值方差，只要 resize + 缩放到 [0,1]，新手不易踩坑。

🚀 快速上手：3 步提取多尺度特征图

官方在 README.md 中给出了完整示例，核心代码如下：

import timm from PIL import Image # 第 1 步：以 features_only 模式加载预训练模型 model = timm.create_model( 'mobilevitv2_100.cvnets_in1k', pretrained=True, features_only=True, # 关键参数：输出多尺度特征图 ) model.eval() # 第 2 步：获取模型专用预处理（resize + 归一化到 [0,1]） data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) img = Image.open('cat.jpg') # 第 3 步：前向推理，得到 5 组特征图 with torch.no_grad(): feature_maps = model(transforms(img).unsqueeze(0)) for fm in feature_maps: print(fm.shape)

输出结果（单张 256×256 图像）依次为：

torch.Size([1, 64, 128, 128]) torch.Size([1, 128, 64, 64]) torch.Size([1, 256, 32, 32]) torch.Size([1, 384, 16, 16]) torch.Size([1, 512, 8, 8])

🗺️ 输出解读：5 组特征图的尺寸与用途

阶段	形状 (C, H, W)	下采样倍率	语义层次	典型用途
1	64, 128×128	1/2	边缘、纹理	轮廓检测、小目标
2	128, 64×64	1/4	局部部件	小目标检测、关键点
3	256, 32×32	1/8	局部结构	检测 Neck 主输入
4	384, 16×16	1/16	部件级语义	目标检测
5	512, 8×8	1/32	全局语义	分割、嵌入、分类

💡 接 FPN / PANet 这类特征金字塔时，通常取1/4、1/8、1/16这三层作为主输入，效果与计算量的平衡最好。

🔧 常见应用场景

目标检测骨干：把特征图送入 FPN 后接检测头，配合 4.9M 的小体量，非常适合轻量检测模型；
图像分割：1/4~1/8 阶段特征经上采样后可直接做语义/实例分割；
图像嵌入与检索：若只需要单尺度向量表征，改用num_classes=0加载，再调用model.forward_features(x)得到未池化的 (1, 512, 8, 8) 张量（参考 README.md 的 Image Embeddings 示例）；
异常检测 / 少样本学习：浅层特征图的逐像素差异可用于训练数据之外的异常定位。

⚠️ 实用技巧与避坑清单

features_only=True≠num_classes=0：前者返回多尺度特征图列表；后者只是去掉分类头，输出仍是深层特征，需手动调用forward_features。两者不要混用；
输入分辨率：预训练基准是 256×256。换尺寸时只要保证是 32 的倍数即可，但建议保持 256 以匹配预训练分布；
预处理顺序：先 resize 到目标尺寸，再缩放到 [0,1]（mean=0, std=1，见 config.json），不要套用 ImageNet 均值方差；
冻结骨干：迁移学习时通常先requires_grad_(False)冻结全部 backbone，只训练后接的 Neck/Head，收敛更快、更不容易过拟合；
加载权重来源：本仓库提供两种权重格式 —— model.safetensors（推荐，加载更快更省内存）与 pytorch_model.bin（传统 PyTorch 格式），timm 在pretrained=True时会按需自动下载匹配格式；
批量推理：features_only模式下输出是列表，每个元素是[B, C, H, W]，批处理时记得对 batch 维做后续拼接或分通道处理。

📁 本仓库文件说明

文件	作用
README.md	模型卡：分类/特征提取/嵌入 3 种用法示例
config.json	模型架构、预训练配置（输入尺寸、归一化等）
model.safetensors	预训练权重（safetensors 格式）
pytorch_model.bin	预训练权重（PyTorch 格式）

❓ 常见问题 FAQ

Q1：不写pretrained=True可以吗？可以，会使用随机初始化权重。但特征质量会大打折扣，多任务训练一般应加载 ImageNet 预训练权重。

Q2：为什么我的输出不是 5 组？确认创建模型时传入的是features_only=True；如果只得到单个张量，多半是用了num_classes=0或调用了forward_features。

Q3：能替换成其他输入尺寸（如 320×320）吗？可以，模型支持动态输入（fixed_input_size: false），保持尺寸是 32 的倍数即可，注意特征图分辨率会等比放大。

✅ 小结

加载参数一行搞定：timm.create_model('mobilevitv2_100.cvnets_in1k', pretrained=True, features_only=True)
输出5 组多尺度特征图（1/2 ~ 1/32），覆盖从纹理到全局语义
4.9M 参数 + 1.8 GMACs，是轻量多任务网络的理想特征骨干
预处理只要缩放到 [0,1]，无均值方差，新手友好

掌握features_only用法后，你可以把这套流程平移到 timm 中其他骨干（ConvNeXt、EfficientNet、ViT 系列）上，多任务迁移学习的成本会大幅降低。