读懂hiera_tiny_224.mae_in1k_ft_in1k的config.json:224x224输入与ImageNet归一化参数详解

原创2026-10-19 16:37:571,824 阅读

读懂hiera_tiny_224.mae_in1k_ft_in1k的config.json:224x224输入与ImageNet归一化参数详解

本文带你逐行读懂 hiera_tiny_224.mae_in1k_ft_in1k 模型仓库中的 config.json,重点讲解 224×224 输入尺寸(input_size)和 ImageNet 归一化参数(mean / std)到底意味着什么。这个模型是 timm 库中的 Hiera 视觉 Transformer 图像分类模型,使用 MAE(Masked Autoencoder)自监督预训练并在 ImageNet-1k 上微调,约 27.9M 参数、4.7 GMACs,Top-1 准确率 82.786%。只要搞懂这个配置文件,你的推理预处理就不会再出错。

模型是什么:30 秒认识 hiera_tiny_224.mae_in1k_ft_in1k

在动手读配置之前,先建立背景(详见 README.md):

项目 说明
模型类型 图像分类 / 特征 backbone(Hiera 层级式 Vision Transformer)
训练方式 MAE 自监督预训练 + ImageNet-1k 微调
参数量 27.9M(同系列中最小)
输入尺寸 224 × 224
许可证 cc-by-nc-4.0(非商业使用)

仓库共 4 个文件:

config.json 结构总览:3 个顶层字段

打开 config.json,顶层只有 3 个字段:

{
  "architecture": "hiera_tiny_224",
  "num_classes": 1000,
  "num_features": 768,
  "pretrained_cfg": { ... }
}
  • architecture:hiera_tiny_224,告诉加载框架"该用哪个模型结构类"。tiny 表示同系列最小规格,224 即默认输入边长。
  • num_classes:1000,对应 ImageNet-1k 的分类数。如果你要迁移学习,通常会改成自己的类别数。
  • num_features:768,即主干输出的特征维度(嵌入通道数)。取特征向量时输出的就是这个长度。
  • pretrained_cfg:预训练配置块,输入尺寸、归一化参数都藏在这里,是新手最容易忽视却最关键的部分。

input_size 与 fixed_input_size:为什么必须是 224×224

看 config.json 中的这段:

"input_size": [3, 224, 224],
"fixed_input_size": true,
"interpolation": "bicubic"
  • [3, 224, 224] 是 [通道数, 高, 宽]:3 通道 RGB 图像,边长 224 像素。这是模型的标准输入规格,权重(位置嵌入等)就是按这个尺寸训练的。
  • fixed_input_size: true:输入尺寸固定,不支持自由缩放。任意大小的图片都必须先 resize 到 224×224 再送入模型。
  • interpolation: bicubic:缩放时推荐使用双三次插值(而非 bilinear)。timm 等框架在自动构建预处理时会按此设置选择插值方式,图像质量更好。

💡 实际推理时最省事的写法是直接让 timm 读取配置自动生成变换,而不是手写 resize 和 normalize:

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

这样 input_size 和 bicubic 会被自动遵守。

crop_pct 与 crop_mode:训练与推理的裁剪差异

"crop_pct": 0.9,
"crop_mode": "center"
  • crop_pct: 0.9:训练时,先 resize 使短边约为 1/0.9 ≈ 1.11 倍目标边长,再随机裁出 224×224(即裁掉边缘约 10%),属于数据增强手段。
  • crop_mode: center:推理阶段采用中心裁剪——先 resize 到短边 224 像素,再从正中心裁出 224×224,保证结果可复现。

简单记忆:训练用 0.9 比例随机裁,推理用中心裁。如果你自己写预处理流水线,测试时请对齐 center 策略,否则会损失零点几个点甚至更多精度。

mean 与 std 详解:ImageNet 归一化参数

这是整份配置里对精度影响最大的两个数组(config.json):

"mean": [0.485, 0.456, 0.406],
"std":  [0.229, 0.224, 0.225]

它们就是大名鼎鼎的 ImageNet 归一化参数,按 RGB 三通道逐通道统计:

通道 mean std 含义
R(红) 0.485 0.229 红色通道均值 / 标准差
G(绿) 0.456 0.224 绿色通道均值 / 标准差
B(蓝) 0.406 0.225 蓝色通道均值 / 标准差

归一化公式(像素值先缩放到 0~1):

x' = (x / 255 - mean) / std

两个值得注意的细节:

  1. 蓝色通道均值最低(0.406):自然图像中蓝色分量整体偏暗,所以三个数值并不是"随便凑的",而是对 ImageNet 全量图像统计的结果。
  2. 归一化不能省:这些权重是在已归一化的输入上训练的。如果跳过这一步,模型输出几乎等于随机,Top-1 可能从 82.8% 直接崩到个位数——这是新手接入预训练模型时最高频的翻车点。

如果你用的是 torchvision 等工具包,可以直接复用其 ToTensor() + Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),数值与这里完全一致。

其余实用字段:first_conv、classifier 与 license

字段 值 作用
tag mae_in1k_ft_in1k 权重来源标记:MAE 预训练 + ImageNet-1k 微调,是模型名的后缀来源
custom_load false 权重按标准方式加载,无需特殊映射
pool_size null 全局池化不使用固定池化核(Hiera 采用自适应池化)
first_conv patch_embed.proj 首个卷积层路径,量化 / 剪枝 / 替换 stem 时使用
classifier head.fc 分类头路径,微调更换类别数时定位它
license cc-by-nc-4.0 许可证:仅限非商业用途,商用前务必确认合规

快速对照表:预处理参数一览

把关键参数浓缩成一张速查表,接入模型前对照一遍即可:

参数 值 一句话解释
输入尺寸 3 × 224 × 224 固定 RGB、224 边长,不可自由缩放
插值方式 bicubic resize 优先用双三次插值
推理裁剪 center 中心裁剪 224×224
训练裁剪 0.9 比例 短边放大后随机裁取(数据增强)
mean 0.485 / 0.456 / 0.406 RGB 三通道均值
std 0.229 / 0.224 / 0.225 RGB 三通道标准差
输出类别 1000 ImageNet-1k 类别数
特征维度 768 取特征向量时的输出长度

常见问题(FAQ)

Q1:可以不缩放直接喂原图吗? 不行。fixed_input_size: true 表示必须 resize 到 224×224,否则形状不匹配或精度骤降。

Q2:mean/std 忘了写会怎样? 模型看到的是 0~1 的原始像素而非训练时的分布,输出基本是乱猜,Top-1 精度会崩溃。

Q3:做自己的分类任务要改哪里? num_classes 改成你的类别数,微调时重点训练 classifier(即 head.fc)指向的线性层,主干可冻结。

Q4:能用于商业项目吗? 配置中明确 license: cc-by-nc-4.0,该权重不允许商业用途,商用请另行选择授权许可。

小结

读懂 config.json 只需记住三件事:

  1. 输入固定为 224×224 的 3 通道 RGB 图,缩放用 bicubic,推理中心裁剪;
  2. ImageNet 归一化参数 mean=[0.485, 0.456, 0.406]、std=[0.229, 0.224, 0.225] 必须严格照做,这是精度达标的前提;
  3. num_features=768、num_classes=1000 决定了特征与输出的形状,迁移学习时按需调整。

按照以上配置接入,你就能稳定发挥 hiera_tiny_224.mae_in1k_ft_in1k 这套轻量 Hiera 模型(82.786% Top-1)的全部实力。

登录后查看全文
hiera_tiny_224.mae_in1k_ft_in1k