# Hugging Face에서 timm 사용

`timm`, [pytorch-image-models](https://github.com/rwightman/pytorch-image-models)로도 알려진 이 라이브러리는 최첨단 PyTorch 이미지 모델, 사전 학습된 가중치, 그리고 학습, 추론, 검증용 유틸리티 스크립트로 구성된 오픈소스 컬렉션입니다.

이 문서는 `timm` 라이브러리 자체보다는 Hugging Face Hub의 `timm` 기능에 초점을 맞춥니다. `timm` 라이브러리에 대한 자세한 정보는 [해당 문서](https://huggingface.co/docs/timm)를 참고하세요.

`timm` 모델은 [모델 페이지](https://huggingface.co/models?library=timm&sort=downloads) 왼쪽의 필터를 사용하여 Hub에서 여러 개를 찾을 수 있습니다.

Hub의 모든 모델에는 몇 가지 유용한 기능이 포함되어 있습니다:
1. 모델 작성자가 [모델에 대한 정보](./model-cards)를 추가할 수 있도록 자동으로 생성된 모델 카드
2. Metadata 태그는 사용자가 관련 `timm` 모델을 발견하는 데 도움을 줍니다.
3. 모델을 브라우저에서 직접 실험해 볼 수 있는 [인터랙티브 위젯](./models-widgets)입니다.
4. 추론 요청을 수행할 수 있는 [Inference Providers](./models-inference)입니다.

## Hub의 기존 모델 사용

`timm`이 설치되어 있다면, Hugging Face Hub의 모든 `timm` 모델을 한 줄의 코드로 로드할 수 있습니다! Hub에서 모델을 선택한 후, 모델 ID 앞에 `hf-hub:` 접두사를 붙여 `timm`의 `create_model` 메서드에 전달하면 모델을 다운로드하고 인스턴스를 생성합니다.

```py
import timm

# Loading https://huggingface.co/timm/eca_nfnet_l0
model = timm.create_model("hf-hub:timm/eca_nfnet_l0", pretrained=True)
```

특정 모델을 로드하는 방법을 확인하려면 **Use in timm**를 클릭하면 로드할 수 있는 작동하는 스니펫이 제공됩니다!

### 추론

아래 스니펫은 Hub에서 로드한 `timm` 모델로 추론을 수행하는 방법을 보여줍니다:

```py
import timm
import torch
from PIL import Image
from timm.data import resolve_data_config
from timm.data.transforms_factory import create_transform

# Load from Hub 🔥
model = timm.create_model(
    'hf-hub:nateraw/resnet50-oxford-iiit-pet',
    pretrained=True
)

# Set model to eval mode for inference
model.eval()

# Create Transform
transform = create_transform(**resolve_data_config(model.pretrained_cfg, model=model))

# Get the labels from the model config
labels = model.pretrained_cfg['label_names']
top_k = min(len(labels), 5)

# Use your own image file here...
image = Image.open('boxer.jpg').convert('RGB')

# Process PIL image with transforms and add a batch dimension
x = transform(image).unsqueeze(0)

# Pass inputs to model forward function to get outputs
out = model(x)

# Apply softmax to get predicted probabilities for each class
probabilities = torch.nn.functional.softmax(out[0], dim=0)

# Grab the values and indices of top 5 predicted classes
values, indices = torch.topk(probabilities, top_k)

# Prepare a nice dict of top k predictions
predictions = [
    {"label": labels[i], "score": v.item()}
    for i, v in zip(indices, values)
]
print(predictions)
```

다음과 같은 예측 목록이 생성됩니다:

```py
[
    {'label': 'american_pit_bull_terrier', 'score': 0.9999998807907104},
    {'label': 'staffordshire_bull_terrier', 'score': 1.0000000149011612e-07},
    {'label': 'miniature_pinscher', 'score': 1.0000000149011612e-07},
    {'label': 'chihuahua', 'score': 1.0000000149011612e-07},
    {'label': 'beagle', 'score': 1.0000000149011612e-07}
]
```

## 모델 공유

`timm` 모델을 Hugging Face Hub에 직접 공유할 수 있습니다. 이렇게 하면 Hugging Face Hub에 모델의 새 버전이 게시되며, 기존에 모델 저장소가 없으면 자동으로 생성됩니다.

모델을 푸시하기 전에 Hugging Face에 로그인했는지 확인하세요:

```sh
python -m pip install huggingface_hub
hf auth login
```

또는 Jupyter 또는 Colaboratory 노트북에서 작업하는 것을 선호하는 경우, `huggingface_hub`를 설치한 후 다음으로 로그인할 수 있습니다:

```py
from huggingface_hub import notebook_login
notebook_login()
```

그 다음, `push_to_hf_hub` 메서드를 사용하여 모델을 업로드하세요:

```py
import timm

# Build or load a model, e.g. timm's pretrained resnet18
model = timm.create_model('resnet18', pretrained=True, num_classes=4)

###########################
# [Fine tune your model...]
###########################

# Push it to the 🤗 Hub
timm.models.hub.push_to_hf_hub(
    model,
    'resnet18-random-classifier',
    model_config={'labels': ['a', 'b', 'c', 'd']}
)

# Load your model from the Hub
model_reloaded = timm.create_model(
    'hf-hub:<your-username>/resnet18-random-classifier',
    pretrained=True
)
```

## 추가 리소스

* timm (pytorch-image-models) [GitHub 저장소](https://github.com/rwightman/pytorch-image-models).
* timm [문서](https://huggingface.co/docs/timm).
* [Aman Arora](https://github.com/amaarora)의 [timmdocs](https://timm.fast.ai)에서 추가 문서를 확인하세요.
* [Chris Hughes](https://github.com/Chris-hughes10)의 [PyTorch 이미지 모델(timm) 입문: 실무자 가이드](https://towardsdatascience.com/getting-started-with-pytorch-image-models-timm-a-practitioners-guide-4e77b4bf9055)