# La API de modelos de timm

Cada modelo de `timm` es un `torch.nn.Module` que comparte una interfaz común sobre `forward()`. La interfaz divide el modelo en un extractor de características y una cabeza de clasificador, expone las características intermedias y proporciona ganchos para el entrenamiento (punto de control de gradientes, agrupación de parámetros) y para cambiar la resolución de entrada. El código escrito contra esta interfaz funciona en todas las arquitecturas, que es la forma en que el script de entrenamiento de `timm`, los envoltorios de extracción de características y la fábrica de optimizadores manejan cada modelo de la misma manera.

Esta página describe la interfaz de un modelo construido: qué partes proporciona cada modelo, cuáles proporcionan la mayoría y cuáles son específicas de algunas familias. Cómo se crean los modelos (argumentos de `create_model`, etiquetas preentrenadas, la configuración preentrenada) se cubre en la [referencia de modelos](reference/models).

## Extractor de características y cabeza

La pasada hacia adelante de un modelo es `forward_head(forward_features(x))`.

- **`forward_features(x)`** devuelve la salida no agrupada de la última etapa, después de la capa de normalización final si el modelo la tiene: un mapa de características `NCHW` para modelos convolucionales, `NLC` tokens (incluidos los tokens de prefijo de clase / registro) para modelos de estilo ViT.
- **`forward_head(x, pre_logits=False)`** aplica el agrupamiento global (o la selección de tokens), las capas previas a los logits y el clasificador. Con `pre_logits=True` se detiene antes del clasificador y devuelve las características agrupadas.

Tres atributos describen los tamaños involucrados:

| Atributo | Descripción |
|---|---|
| `num_classes` | Tamaño de la salida del clasificador, `0` si el clasificador fue eliminado |
| `num_features` | Canales (o dimensión de incrustación) de la salida de `forward_features` |
| `head_hidden_size` | Tamaño de la salida `pre_logits=True`, la entrada del clasificador. Es igual a `num_features` a menos que la cabeza tenga una capa oculta (p. ej. ConvNeXt con `head_hidden_size` establecido) o pooling de concatenación (`catavgmax` lo duplica) |

```python
import torch
import timm

model = timm.create_model('convnext_atto').eval()
x = torch.randn(2, 3, 224, 224)

features = model.forward_features(x)  # (2, 320, 7, 7), num_features = 320
pooled = model.forward_head(features, pre_logits=True)  # (2, 320), head_hidden_size = 320
logits = model.forward_head(features)  # (2, 1000), same as model(x)
```

Algunos modelos se desvían de la forma de entrada y salida de un solo tensor: los modelos de múltiples ramas (CrossViT, EfficientViM) devuelven una lista desde `forward_features`, y los ViTs de NaFlex / Gemma4 aceptan entradas adicionales de coordenadas de parche y validez para una resolución variable.

## Clasificador

- **`get_classifier()`** devuelve el módulo clasificador.
- **`reset_classifier(num_classes, global_pool=None)`** reemplaza el clasificador con uno nuevo, inicializado aleatoriamente.
  - **`num_classes=0`** sustituye el clasificador por una identidad, por lo que `model(x)` devuelve las características agrupadas cuando el agrupamiento sigue habilitado.
  - **`global_pool`** modifica el pooling al mismo tiempo. `global_pool=''` lo desactiva; combinado con `num_classes=0`, `model(x)` devuelve características sin pooling.
  - **`global_pool=None`** mantiene el agrupamiento actual.

Crear un modelo con `num_classes` / `global_pool` configurados tiene el mismo efecto que restablecer el clasificador posteriormente, sin asignar el clasificador original. Las torres de visión solo de codificador (los codificadores de DeepSeek, Gemma4, MobileNetV5 y Qwen3) no tienen clasificador y no implementan estos métodos.

## Características intermedias

- **`forward_intermediates(x, indices=None, norm=False, stop_early=False, output_fmt='NCHW', intermediates_only=False)`** ejecuta el modelo y devuelve las características finales junto con una lista de características intermedias.
  - **`indices`** selecciona los intermediarios: `None` para todos, un `int` `n` para los últimos `n`, o una lista de índices (los valores negativos se cuentan desde el final).
  - **`intermediates_only=True`** devuelve solo las características intermedias.
  - **`stop_early=True`** omite los bloques posteriores al último índice seleccionado (algunos modelos, p. ej. MobileNetV3, requieren `intermediates_only=True`).
  - **`norm=True`** aplica la capa de normalización final a cada intermedio.
- **`feature_info`** describe las características intermedias disponibles, con una entrada por índice que incluye el número de canales (`num_chs`), el stride relativo a la entrada (`reduction`) y el nombre del módulo (`module`).
- **`prune_intermediate_layers(indices=1, prune_norm=False, prune_head=True)`** elimina los bloques posteriores al último índice que se utilizará (y opcionalmente la normalización final y la cabeza) y devuelve los índices absolutos a tomar. Úsalo cuando el modelo solo se empleará para extraer intermedios, como columna vertebral para una cabeza de detección o segmentación.
  - **`prune_head=True`** elimina la cabeza completa (normalización de la cabeza, capas previas a los logits, pooling de atención y clasificador), dejando como máximo el pooling. Pasa `prune_head=False` para conservar la cabeza cuando el ancho de las características no cambia.
  - Cuando el recorte modifica el ancho de las características (recortar un modelo jerárquico a una etapa anterior), también se eliminan la cabeza y la normalización final dimensionadas para la última etapa. `forward_features()` entonces termina en la última característica conservada, y `num_features` / `head_hidden_size` son su ancho.
  - Con los valores predeterminados, el modelo podado no tiene parámetros sin usar (DDP funciona sin `find_unused_parameters`), excepto CoaT (bloques paralelos), CrossViT y HRNet cuando solo se toman algunas de sus escalas / ramas paralelas.

```python
model = timm.create_model('resnet18').eval()
print([(f['num_chs'], f['reduction']) for f in model.feature_info])
# [(64, 2), (64, 4), (128, 8), (256, 16), (512, 32)]

final, intermediates = model.forward_intermediates(x)  # all 5 feature levels
last_two = model.forward_intermediates(x, indices=2, intermediates_only=True)  # (2, 256, 14, 14), (2, 512, 7, 7)

take_indices = model.prune_intermediate_layers(indices=2, prune_head=True)  # [3, 4], no classifier left
```

Todas las características se devuelven por defecto como mapas `NCHW`, incluidos los de modelos de estilo ViT, cuyos tokens espaciales se reorganizan en una cuadrícula descartando los tokens de prefijo. Las otras opciones de `output_fmt` son específicas de cada familia (`NLC` para modelos de estilo ViT, `NHWC` para algunos), al igual que los argumentos adicionales como `return_prefix_tokens` (familia ViT). Crear un modelo con `features_only=True` lo envuelve como un backbone que devuelve los mapas de características de `model(x)`; consulte [extracción de características](feature_extraction) para ver ambos enfoques en detalle.

## Tamaño de entrada

Los modelos se dividen en tres grupos según cómo manejan la resolución de entrada:

- **Cualquier tamaño de entrada.** La mayoría de los modelos convolucionales, y los híbridos convolucionales sin embeddings de posición de tamaño fijo ni particiones de ventana, funcionan con cualquier tamaño de entrada mayor que su paso total, sin cambios.
- **Tamaño de entrada fijo, redimensionable.** Los modelos con embeddings de posición, particiones de ventana de atención o tablas de posición relativa se construyen para un tamaño determinado, establecido por el argumento `img_size` en la creación (predeterminado: el `input_size` de la configuración preentrenada). En las familias que lo implementan (ViT, DeiT, BEiT, EVA, Swin, MaxViT y otras, ver la tabla siguiente), **`set_input_size(img_size=...)`** lo modifica posteriormente, muestreando de nuevo los embeddings de posición y las tablas de posición relativa y actualizando las ventanas. Varios aceptan argumentos adicionales, p. ej. `patch_size` para ViT, `window_size` / `window_ratio` para Swin. Llamarlo con el tamaño actual deja el modelo sin cambios. Los demás deben crearse con el `img_size` con el que se usarán.
- **Tamaño de entrada dinámico.** Los modelos de las familias ViT y EVA creados con `dynamic_img_size=True` re-muestrean su incrustación de posición al tamaño de entrada en cada pasada hacia adelante, con cierto coste en velocidad. Los modelos Swin, SwinV2 y SwinV2-CR creados con `dynamic_img_size=True` (o el equivalente `strict_img_size=False`) calculan sus máscaras de atención para el tamaño de entrada en cada pasada hacia adelante. Los ViT NaFlex manejan la resolución variable de forma nativa.

```python
model = timm.create_model('vit_tiny_patch16_224')
model.set_input_size(img_size=(384, 384))
model(torch.randn(1, 3, 384, 384))
```

## Ganchos de entrenamiento

- **`set_grad_checkpointing(enable=True)`** habilita el checkpointing de activaciones (gradientes), lo que implica recalcular las activaciones hacia adelante de cada bloque durante la pasada hacia atrás para ahorrar memoria (`--grad-checkpointing` en `train.py`). La mayoría de los modelos lo admiten, pero algunas arquitecturas más antiguas (VGG, Inception, NASNet, ...) generan un error.
- **`group_matcher(coarse=False)`** devuelve expresiones regulares que asignan cada parámetro a un grupo de tallo o bloque. La fábrica de optimizadores lo utiliza para escalar las tasas de aprendizaje por capa para el decaimiento de la tasa de aprendizaje por capas (`layer_decay`, consulte la [referencia de optimizadores](reference/optimizers#parameter-groups)).
- **`no_weight_decay()`**, cuando está implementado, devuelve los nombres de los parámetros que no deben tener decaimiento de peso (embeddings de posición, tokens de clase, ...). La fábrica del optimizador excluye estos y todos los parámetros de 1D (sesgos, escalas de normalización) del decaimiento de peso.

## Configuración preentrenada

`model.pretrained_cfg` (y su alias anterior `model.default_cfg`) es un diccionario que describe el checkpoint de origen: tamaño de entrada, interpolación, recorte, normalización, nombres del clasificador y del primer módulo conv, licencia y fuente. Se utiliza para adaptar el clasificador y la conv de entrada cuando se cargan pesos preentrenados, y como valores predeterminados de preprocesamiento. Consulte la [referencia de modelos](reference/models#pretrained-config) para ver los campos.

La configuración preentrenada cfg no se modifica cuando un modelo se crea o se modifica para diferir de su checkpoint (`in_chans`, `img_size`, `set_input_size()`). La entrada actual del modelo se rastrea por separado, `timm.models.get_model_input_config(model)` devuelve sus canales, tamaño y restricción de tamaño fijo, y `timm.data.resolve_input_data_config(model)` resuelve una configuración de datos para las transformaciones en relación con ella. `timm.models.get_model_args(model)` devuelve los argumentos para reconstruir el modelo tal como está ahora, y `save_for_hf` los escribe en la configuración exportada, de modo que un modelo redimensionado o adaptado pueda recargarse. Consulte [adaptar y exportar modelos](model_adaptation).

## Apoyo por familia

La tabla siguiente enumera qué partes opcionales de la interfaz soporta cada familia de modelos. Se genera mediante `hfdocs/generate_model_docs.py`, que construye y ejecuta un modelo pequeño de cada clase de modelo en cada familia. El soporte puede variar entre las arquitecturas de una familia; consulte las páginas de las familias para más detalles.

| Familia | Clases | `features_only` | `forward_intermediates` | `prune_intermediate_layers` | Cualquier tamaño de entrada | `set_input_size` | `dynamic_img_size` | Puntos de control de gradiente | Decaimiento de capas | `reset_classifier` |
|---|---|---|---|---|---|---|---|---|---|---|
| [Aligned Xception](models/xception-aligned) | `XceptionAligned` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [BEiT](models/beit) | `Beit` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [BYOANet (BoTNet, HaloNet, LambdaNet)](models/byoanet) | `ByobNet` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [BYOBNet (GENet, RepVGG, MobileOne, ...)](models/byobnet) | `ByobNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [CaiT](models/cait) | `Cait` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [CoaT](models/coat) | `CoaT` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✗ | ✓ | ✓ |
| [ConViT](models/convit) | `ConVit` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✗ | ✓ | ✓ |
| [ConvMixer](models/convmixer) | `ConvMixer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [ConvNeXt](models/convnext) | `ConvNeXt` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [CPUBone](models/cpubone) | `CPUBone` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [CrossViT](models/crossvit) | `CrossVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [CSATv2](models/csatv2) | `CSATv2` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✗ | ✓ |
| [CSPNet (CSPResNet, CSPDarkNet, DarkNet)](models/cspnet) | `CspNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [CSPNeXt](models/cspnext) | `CspNext` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [DaViT](models/davit) | `DaVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [DeepSeek ViT](models/deepseek-vit) | `DeepseekVitClassifier` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
|  | `DeepseekVitEncoder` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✗ |
| [DeiT](models/deit) | `VisionTransformer`, `VisionTransformerDistilled` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [DenseNet](models/densenet) | `DenseNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [DLA](models/dla) | `DLA` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [DPN](models/dpn) | `DPN` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [EdgeNeXt](models/edgenext) | `EdgeNeXt` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [EfficientFormer](models/efficientformer) | `EfficientFormer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [EfficientFormer-V2](models/efficientformer-v2) | `EfficientFormerV2` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [EfficientNet](models/efficientnet) | `EfficientNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [EfficientViM](models/efficientvim) | `EfficientViM`, `EfficientViMDistilled` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [EfficientViT (MIT)](models/efficientvit-mit) | `EfficientVit`, `EfficientVitLarge` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [EfficientViT (MSRA)](models/efficientvit-msra) | `EfficientVitMsra` | ✓ | ✓ | ✓ | ✓ | ✓ | – | ✓ | ✓ | ✓ |
| [EVA](models/eva) | `Eva` | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [FasterNet](models/fasternet) | `FasterNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [FastViT](models/fastvit) | `FastVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [FocalNet](models/focalnet) | `FocalNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [GCViT](models/gcvit) | `GlobalContextVit` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [Gemma 4 ViT](models/gemma4-vit) | `Gemma4VitClassifier` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
|  | `Gemma4VitEncoder` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ |
| [GhostNet](models/ghostnet) | `GhostNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [HardCoRe-NAS](models/hardcorenas) | `MobileNetV3` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Hiera](models/hiera) | `Hiera` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [HieraDet (SAM 2)](models/hieradet-sam2) | `HieraDet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [HRNet](models/hrnet) | `HighResolutionNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Hybrid Vision Transformer](models/vision-transformer-hybrid) | `VisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [iFormer](models/iformer) | `IFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Inception-ResNet-v2](models/inception-resnet-v2) | `InceptionResnetV2` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Inception-v3](models/inception-v3) | `InceptionV3` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Inception-v4](models/inception-v4) | `InceptionV4` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [InceptionNeXt](models/inception-next) | `MetaNeXt` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [LeViT](models/levit) | `Levit`, `LevitDistilled` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [LowFormer](models/lowformer) | `LowFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [MambaOut](models/mambaout) | `MambaOut` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [MaxViT y CoAtNet](models/maxxvit) | `MaxxVit` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [MetaFormer (PoolFormer, ConvFormer, CAFormer)](models/metaformer) | `MetaFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✗ | ✓ |
| [MLP-Mixer, ResMLP y gMLP](models/mlp-mixer) | `MlpMixer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [MobileNet-V3](models/mobilenetv3) | `MobileNetV3` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [MobileNet-V5](models/mobilenetv5) | `MobileNetV5` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
|  | `MobileNetV5Encoder` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✗ | ✗ |
| [MobileViT](models/mobilevit) | `ByobNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [MViTv2](models/mvitv2) | `MultiScaleVit` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [NaFlex ViT](models/naflexvit) | `NaFlexVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [NASNet](models/nasnet) | `NASNetALarge` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [NesT](models/nest) | `Nest` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [Next-ViT](models/nextvit) | `NextViT` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [NFNet](models/nfnet) | `NormFreeNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [PiT](models/pit) | `PoolingVisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✗ | ✗ | ✓ |
| [PNASNet](models/pnasnet) | `PNASNet5Large` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [PP-HGNet](models/hgnet) | `HighPerfGpuNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [PP-LCNetV2](models/lcnetv2) | `LCNetV2` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [PVTv2](models/pvt-v2) | `PyramidVisionTransformerV2` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Qwen3 ViT](models/qwen3-vit) | `Qwen3VitClassifier` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
|  | `Qwen3VitEncoder` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✗ |
| [RDNet](models/rdnet) | `RDNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [RegNet](models/regnet) | `RegNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [RepGhost](models/repghost) | `RepGhostNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [RepViT](models/repvit) | `RepVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Res2Net](models/res2net) | `ResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [ResNeSt](models/resnest) | `ResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [ResNet](models/resnet) | `ResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [ResNetV2 (BiT)](models/resnetv2) | `ResNetV2` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [ReXNet](models/rexnet) | `RexNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Segment Anything ViT](models/vision-transformer-sam) | `VisionTransformerSAM` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [SelecSLS](models/selecsls) | `SelecSls` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [SENet (legacy)](models/senet) | `SENet` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Sequencer](models/sequencer) | `Sequencer2d` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [SHViT](models/shvit) | `SHViT` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [SKNet](models/sknet) | `ResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [StarNet](models/starnet) | `StarNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [SwiftFormer](models/swiftformer) | `SwiftFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Swin Transformer](models/swin-transformer) | `SwinTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [Swin Transformer V2](models/swin-transformer-v2) | `SwinTransformerV2` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [Transformador Swin V2 (CR)](models/swin-transformer-v2-cr) | `SwinTransformerV2Cr` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [TinyViT](models/tiny-vit) | `TinyVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [TNT](models/tnt) | `TNT` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [TResNet](models/tresnet) | `TResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Twins](models/twins) | `Twins` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [VGG](models/vgg) | `VGG` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Visformer](models/visformer) | `Visformer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [Transformador de visión (posición relativa)](models/vision-transformer-relpos) | `VisionTransformerRelPos` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [Transformador de visión (ViT)](models/vision-transformer) | `VisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [ViTamin](models/vitamin) | `VisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [VOLO](models/volo) | `VOLO` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [VoVNet](models/vovnet) | `VovNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Xception (legacy)](models/xception) | `Xception` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [XCiT](models/xcit) | `Xcit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |

✓ compatible, ✓ (cuadrado) funciona solo con tamaños cuadrados, ✗ no compatible, – no necesario (el modelo ya acepta cualquier tamaño de entrada). Cada clase de modelo de una familia se comprueba ejecutando cada característica en un modelo inicializado aleatoriamente de la arquitectura más pequeña (no de prueba) de la familia. Las clases con los mismos resultados comparten una fila; la página de la familia enumera la arquitectura utilizada para cada una.

## Implementar un modelo

Un nuevo modelo debe implementar la interfaz para que funcione con el script de entrenamiento, la extracción de características y la fábrica de optimizadores sin casos especiales:

- `forward_features`, `forward_head(x, pre_logits=False)` y `forward` como su composición, con `num_classes`, `num_features` y `head_hidden_size` establecidos.
- `get_classifier` y `reset_classifier(num_classes, global_pool=None)`.
- `forward_intermediates`, `prune_intermediate_layers` y una lista `feature_info`.
- `set_grad_checkpointing`, `group_matcher` y `no_weight_decay` para cualquier parámetro que no deba decaer.
- `set_input_size` si el modelo está diseñado para un tamaño de entrada fijo.
- Los argumentos estándar del constructor: `num_classes`, `in_chans`, `global_pool`, `drop_rate`, `drop_path_rate` y `device` / `dtype` para la creación de parámetros.

`tests/test_models.py` comprueba las partes de la interfaz correspondientes a forward, backward, features, intermediates, classifier reset y pretrained cfg para los modelos registrados (los más grandes se excluyen de algunas pruebas para reducir el tiempo de CI).