如何10分钟跑通tiny_vit_21m_224.in1k：从零开始的第一次图像分类教程

tiny_vit_21m_224.in1k 是 timm 库中一个轻量级TinyViT 图像分类模型（仅 21.2M 参数），由论文作者在 ImageNet-1k 上完成预训练，可输出 1000 个物体类别的概率，还能提取特征图与图像嵌入向量。本文将带你从零开始，10 分钟内跑通你的第一次图像分类推理 🚀

认识 tiny_vit_21m_224.in1k：它到底能做什么？

💡 名字怎么读？tiny_vit_21m= 小型 Vision Transformer，约 21M 参数；224= 输入图像边长；in1k= ImageNet-1k 预训练。

本仓库是一个标准的 Hugging Face 模型仓库，文件结构非常简洁：

一键安装步骤：准备运行环境

只需要安装 3 个依赖，一行命令搞定：

pip install timm torch pillow

• timm：PyTorch 官方视觉模型库，内置 TinyViT 架构
• torch：深度学习框架（有 GPU 会自动启用 CUDA）
• pillow：图片读取工具

最快配置方法：5 行代码完成第一次图像分类

下面这段代码直接来自官方模型卡片 README.md，只需把它保存为classify.py，再准备一张本地图片（比如cat.jpg）即可运行：

from PIL import Image import timm import torch # 1️⃣ 读取本地图片 img = Image.open("cat.jpg") # 2️⃣ 加载预训练模型 model = timm.create_model('tiny_vit_21m_224.in1k', pretrained=True) model.eval() # 3️⃣ 自动获取模型专用变换（缩放 + 归一化） data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) # 4️⃣ 推理并取 Top5 预测 with torch.no_grad(): output = model(transforms(img).unsqueeze(0)) # 扩展成 batch top5_prob, top5_idx = torch.topk(output.softmax(dim=1) * 100, k=5) for prob, idx in zip(top5_prob[0], top5_idx[0]): print(f"类别 {idx}: {prob:.2f}%")

运行python classify.py，你会看到类似这样的输出：

类别 281: 62.35% # tabby, tabby cat 类别 283: 21.17% # tiger cat 类别 282: 8.94% # Egyptian cat 类别 285: 2.60% # Siamese cat 类别 280: 1.82% # Persian cat

✅ 恭喜你！10 分钟内就完成了一个 ImageNet 1000 类图像分类器的推理。

看懂 config.json：推理配置的来龙去脉

config.json 里藏着模型推理的关键参数，timm加载模型时会自动读取它们：

代码中的resolve_model_data_config()+create_transform()就是把这些配置自动转化为"缩放 → 中心裁剪 → 归一化"的完整预处理流水线，你不需要手写任何归一化数字，这也是 timm 相比手动搭流程最省事的地方。

进阶玩法：提取特征图与图像嵌入

模型卡片 README.md 还提供了两个进阶用法，改一行参数即可切换：

① 提取多层特征图（可用于目标检测、分割等下游任务）：

model = timm.create_model('tiny_vit_21m_224.in1k', pretrained=True, features_only=True) # 输出 4 层特征图：96@56×56、192@28×28、384@14×14、576@7×7

② 输出图像嵌入向量（可用于以图搜图、图像相似度计算）：

model = timm.create_model('tiny_vit_21m_224.in1k', pretrained=True, num_classes=0) # 输出 576 维嵌入向量

常见问题 FAQ

Q1：第一次运行为什么比较慢？pretrained=True会首次自动下载约 85MB 的权重文件（对应本仓库的 model.safetensors / pytorch_model.bin），之后会走缓存，秒级加载。

Q2：没有 GPU 能跑吗？可以。模型只有 21.2M 参数、4.1 GMACs 计算量，普通 CPU 上单张图片推理也能在 1 秒内完成，是 TinyViT"小而快"设计的直接体现。

Q3：输入图片尺寸必须是 224×224 吗？交给transforms即可，它会自动把图片 resize/center crop 到 224×224；模型本身fixed_input_size为false，也支持其他尺寸输入。

Q4：权重文件只有 133 字节？这是正常的——它们是 Git LFS 指针文件，实际 85MB 的权重内容在拉取时会通过 LFS 自动还原，不影响使用。

总结

• 🎯 tiny_vit_21m_224.in1k 是 timm 生态里"轻量 + 高精度"的图像分类利器
• 📦 一条命令安装依赖，5 行核心代码即可完成 1000 类图像分类
• 🔧 改一个参数即可切换为特征提取或图像嵌入模式
• 📄 更多细节可查阅仓库内的 README.md 与 config.json

跑通只是起点——把它当作下游任务（检测、分割、检索）的骨干网络，是下一步最值得尝试的方向。