# API Model timm

Setiap model `timm` adalah `torch.nn.Module` yang berbagi antarmuka umum di atas `forward()`. Antarmuka ini memisahkan model menjadi ekstraktor fitur dan kepala klasifikasi, mengekspos fitur perantara, serta menyediakan hook untuk pelatihan (checkpointing gradien, pengelompokan parameter) dan untuk mengubah resolusi input. Kode yang ditulis berdasarkan antarmuka ini berfungsi di berbagai arsitektur, yang merupakan cara skrip pelatihan `timm`, pembungkus ekstraksi fitur, dan pabrik optimizer menangani setiap model dengan cara yang sama.

Halaman ini menjelaskan antarmuka dari model yang telah dibangun: bagian mana yang disediakan oleh setiap model, bagian mana yang disediakan oleh sebagian besar model, dan bagian mana yang spesifik untuk beberapa keluarga. Cara model dibuat (argumen `create_model`, tag pretrained, konfigurasi pretrained) dibahas dalam [referensi model](reference/models).

## Ekstraktor fitur dan kepala

Forward pass sebuah model adalah `forward_head(forward_features(x))`.

- **`forward_features(x)`** mengembalikan output yang tidak dipooling dari tahap terakhir, setelah lapisan norm terakhir jika model memilikinya: peta fitur `NCHW` untuk model konvolusional, token `NLC` (termasuk token prefix kelas / register) untuk model gaya ViT.
- **`forward_head(x, pre_logits=False)`** menerapkan global pooling (atau pemilihan token), lapisan pre-logits, dan klasifikator. Dengan `pre_logits=True`, proses berhenti sebelum klasifikator dan mengembalikan fitur yang telah di-pool.

Tiga atribut menggambarkan ukuran yang terlibat:

| Atribut | Deskripsi |
|---|---|
| `num_classes` | Ukuran output klasifikator, `0` jika klasifikator dihapus |
| `num_features` | Jumlah channel (atau dimensi embedding) dari output `forward_features` |
| `head_hidden_size` | Ukuran output `pre_logits=True`, yaitu input klasifikator. Sama dengan `num_features` kecuali head memiliki lapisan tersembunyi (mis. ConvNeXt dengan `head_hidden_size` yang disetel) atau concat pooling (`catavgmax` menggandakannya) |

```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)
```

Beberapa model menyimpang dari bentuk satu tensor masuk, satu tensor keluar: model multi-cabang (CrossViT, EfficientViM) mengembalikan sebuah list dari `forward_features`, dan ViT NaFlex / Gemma4 menerima input koordinat patch dan validitas tambahan untuk resolusi variabel.

## Klasifikator

- **`get_classifier()`** mengembalikan modul klasifikator.
- **`reset_classifier(num_classes, global_pool=None)`** mengganti klasifikator dengan klasifikator baru yang diinisialisasi secara acak.
  - **`num_classes=0`** mengganti klasifikator dengan identitas, sehingga `model(x)` mengembalikan fitur yang telah dipooling ketika pooling masih diaktifkan.
  - **`global_pool`** mengubah pooling pada saat yang sama. `global_pool=''` menonaktifkannya; dikombinasikan dengan `num_classes=0`, `model(x)` mengembalikan fitur yang tidak di-pool.
  - **`global_pool=None`** mempertahankan pooling saat ini.

Membuat model dengan `num_classes` / `global_pool` yang diset memiliki efek yang sama dengan mereset klasifikator setelahnya, tanpa mengalokasikan klasifikator asli. Menara visual hanya-encoder (encoder DeepSeek, Gemma4, MobileNetV5, dan Qwen3) tidak memiliki klasifikator dan tidak mengimplementasikan metode-metode ini.

## Fitur perantara

- **`forward_intermediates(x, indices=None, norm=False, stop_early=False, output_fmt='NCHW', intermediates_only=False)`** menjalankan model dan mengembalikan fitur akhir beserta daftar fitur perantara.
  - **`indices`** memilih intermediates: `None` untuk semua, `int` `n` untuk `n` terakhir, atau daftar indeks (nilai negatif dihitung dari akhir).
  - **`intermediates_only=True`** hanya mengembalikan fitur perantara.
  - **`stop_early=True`** melewati blok setelah indeks terpilih terakhir (beberapa model, misalnya MobileNetV3, memerlukan `intermediates_only=True`).
  - **`norm=True`** menerapkan lapisan norm akhir ke setiap intermediate.
- **`feature_info`** menjelaskan fitur perantara yang tersedia, satu entri per indeks dengan jumlah saluran (`num_chs`), stride relatif terhadap input (`reduction`), dan nama modul (`module`).
- **`prune_intermediate_layers(indices=1, prune_norm=False, prune_head=True)`** menghapus blok setelah indeks terakhir yang akan digunakan (dan secara opsional norm akhir serta head) dan mengembalikan indeks absolut yang akan diambil. Gunakan ini ketika model hanya akan digunakan untuk mengekstrak intermediates, sebagai backbone untuk head deteksi atau segmentasi.
  - **`prune_head=True`** menghapus seluruh head (head norm, lapisan pre-logits, attention pooling, dan classifier), menyisakan paling banyak pooling. Berikan `prune_head=False` untuk mempertahankan head ketika lebar fitur tidak berubah.
  - Ketika pruning mengubah lebar fitur (pruning model hierarkis ke tahap sebelumnya), head dan final norm yang berukuran untuk tahap terakhir juga dihapus. `forward_features()` kemudian berakhir di fitur terakhir yang dipertahankan, dan `num_features` / `head_hidden_size` adalah lebarnya.
  - Dengan nilai bawaan, model yang dipangkas tidak memiliki parameter yang tidak terpakai (DDP bekerja tanpa `find_unused_parameters`), kecuali CoaT (blok paralel), CrossViT, dan HRNet ketika hanya sebagian dari skala/cabang paralel mereka yang diambil.

```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
```

Semua fitur dikembalikan sebagai peta `NCHW` secara default, termasuk milik model gaya ViT, di mana token spasialnya di-reshape menjadi grid dengan token prefix dihapus. Opsi `output_fmt` lainnya bersifat spesifik keluarga (`NLC` untuk model gaya ViT, `NHWC` untuk beberapa model), begitu pula argumen tambahan seperti `return_prefix_tokens` (keluarga ViT). Membuat model dengan `features_only=True` membungkusnya sebagai backbone yang mengembalikan peta fitur dari `model(x)`, lihat [feature extraction](feature_extraction) untuk detail kedua pendekatan tersebut.

## Ukuran input

Model terbagi menjadi tiga kelompok berdasarkan cara mereka menangani resolusi input:

- **Ukuran input apa pun.** Sebagian besar model konvolusional, serta hibrida konvolusional tanpa embedding posisi berukuran tetap atau partisi jendela, dapat bekerja pada ukuran input apa pun yang lebih besar dari total stride mereka, tanpa perubahan.
- **Ukuran input tetap, dapat diubah.** Model dengan position embeddings, partisi jendela attention, atau tabel posisi relatif dibangun untuk satu ukuran, yang ditetapkan oleh argumen `img_size` saat pembuatan (default: `input_size` dari cfg pretrained). Pada keluarga model yang mengimplementasikannya (ViT, DeiT, BEiT, EVA, Swin, MaxViT, dan lainnya, lihat tabel di bawah), **`set_input_size(img_size=...)`** mengubahnya kemudian, dengan melakukan resampling pada position embeddings dan tabel posisi relatif serta memperbarui jendela. Beberapa model menerima argumen tambahan, misalnya `patch_size` untuk ViT, `window_size` / `window_ratio` untuk Swin. Memanggilnya pada ukuran saat ini tidak mengubah model. Model lainnya harus dibuat dengan `img_size` yang akan digunakan.
- **Ukuran input dinamis.** Model keluarga ViT dan EVA yang dibuat dengan `dynamic_img_size=True` melakukan resampling position embedding mereka ke ukuran input pada setiap forward pass, dengan sedikit pengorbanan kecepatan. Model Swin, SwinV2, dan SwinV2-CR yang dibuat dengan `dynamic_img_size=True` (atau ekuivalennya `strict_img_size=False`) menghitung attention mask mereka untuk ukuran input pada setiap forward pass sebagai gantinya. ViT NaFlex menangani resolusi variabel secara native.

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

## Hook pelatihan

- **`set_grad_checkpointing(enable=True)`** mengaktifkan checkpointing aktivasi (gradien), yang menghitung ulang aktivasi forward dari setiap blok pada backward pass untuk menghemat memori (`--grad-checkpointing` di `train.py`). Sebagian besar model mendukungnya, tetapi beberapa arsitektur lama (VGG, Inception, NASNet, ...) akan memicu error.
- **`group_matcher(coarse=False)`** mengembalikan ekspresi reguler yang menetapkan setiap parameter ke grup stem atau blok. Pabrik optimizer menggunakannya untuk menskalakan learning rate per layer untuk layer-wise learning rate decay (`layer_decay`, lihat [referensi optimizer](reference/optimizers#parameter-groups)).
- **`no_weight_decay()`**, jika diimplementasikan, mengembalikan nama parameter yang tidak boleh didekaykan bobotnya (position embeddings, class tokens, ...). Pabrik optimizer mengecualikan parameter-parameter ini dan semua parameter 1D (biases, norm scales) dari weight decay.

## Konfigurasi pralatih

`model.pretrained_cfg` (dan alias lamanya `model.default_cfg`) adalah dict yang menjelaskan checkpoint sumber: ukuran input, interpolasi, crop, normalisasi, nama modul classifier dan conv pertama, lisensi, serta sumber. Ini digunakan untuk menyesuaikan classifier dan input conv saat bobot pretrained dimuat, serta sebagai nilai default pra-pemrosesan. Lihat [referensi model](reference/models#pretrained-config) untuk detail field-nya.

cfg pretrained tidak berubah ketika model dibuat atau dimodifikasi sehingga berbeda dari checkpoint-nya (`in_chans`, `img_size`, `set_input_size()`). Input saat ini dari model dilacak secara terpisah, `timm.models.get_model_input_config(model)` mengembalikan channel, ukuran, dan constraint ukuran tetapnya, dan `timm.data.resolve_input_data_config(model)` menyelesaikan konfigurasi data untuk transformasi terhadapnya. `timm.models.get_model_args(model)` mengembalikan argumen untuk membangun ulang model seperti saat ini, dan `save_for_hf` menuliskannya ke konfigurasi yang diekspor, sehingga model yang di-resize atau diadaptasi dapat dimuat ulang. Lihat [adapt and export models](model_adaptation).

## Dukungan dari keluarga

Tabel di bawah ini merangkum bagian opsional dari antarmuka yang didukung oleh masing-masing keluarga model. Tabel ini dihasilkan oleh `hfdocs/generate_model_docs.py`, yang membangun dan menjalankan model kecil dari setiap kelas model dalam setiap keluarga. Dukungan dapat bervariasi antar arsitektur dalam satu keluarga, lihat halaman keluarga untuk detailnya.

| Keluarga | Kelas | `features_only` | `forward_intermediates` | `prune_intermediate_layers` | Ukuran input apa pun | `set_input_size` | `dynamic_img_size` | Grad checkpointing | Layer decay | `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 dan CoAtNet](models/maxxvit) | `MaxxVit` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [MetaFormer (PoolFormer, ConvFormer, CAFormer)](models/metaformer) | `MetaFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✗ | ✓ |
| [MLP-Mixer, ResMLP dan 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` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [Swin Transformer V2 (CR)](models/swin-transformer-v2-cr) | `SwinTransformerV2Cr` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [TinyViT](models/tiny-vit) | `TinyVit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [TNT](models/tnt) | `TNT` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [TResNet](models/tresnet) | `TResNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Kembar](models/twins) | `Twins` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [VGG](models/vgg) | `VGG` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Visformer](models/visformer) | `Visformer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [Transformator Visi (posisi relatif)](models/vision-transformer-relpos) | `VisionTransformerRelPos` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [Vision Transformer (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` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |

✓ didukung, ✓ (persegi) hanya berfungsi untuk ukuran persegi, ✗ tidak didukung, – tidak diperlukan (model sudah menerima ukuran input apa pun). Setiap kelas model dalam sebuah keluarga diperiksa dengan menjalankan setiap fitur pada model yang diinisialisasi secara acak dari arsitektur terkecil (non-test) dalam keluarganya. Kelas dengan hasil yang sama berbagi satu baris, dan halaman keluarga mencantumkan arsitektur yang digunakan untuk masing-masing.

## Menerapkan model

Model baru harus mengimplementasikan antarmuka agar dapat bekerja dengan skrip pelatihan, ekstraksi fitur, dan pabrik optimizer tanpa kasus khusus:

- `forward_features`, `forward_head(x, pre_logits=False)` dan `forward` sebagai komposisinya, dengan `num_classes`, `num_features` dan `head_hidden_size` diatur.
- `get_classifier` dan `reset_classifier(num_classes, global_pool=None)`.
- `forward_intermediates`, `prune_intermediate_layers` dan daftar `feature_info`.
- `set_grad_checkpointing`, `group_matcher`, dan `no_weight_decay` untuk parameter mana pun yang tidak boleh didekay.
- `set_input_size` jika model dibangun untuk ukuran input tetap.
- Argumen konstruktor standar: `num_classes`, `in_chans`, `global_pool`, `drop_rate`, `drop_path_rate`, dan `device` / `dtype` untuk pembuatan parameter.

`tests/test_models.py` memeriksa bagian forward, backward, features, intermediates, classifier reset, dan pretrained cfg dari antarmuka untuk model-model yang terdaftar (model terbesar dikecualikan dari beberapa tes untuk menjaga waktu CI tetap singkat).