# A API de Modelos do timm

Todo modelo do `timm` é um `torch.nn.Module` que compartilha uma interface comum sobre o `forward()`. A interface divide o modelo em um extrator de recursos e uma cabeça de classificador, expõe recursos intermediários e fornece ganchos para treinamento (checkpointing de gradiente, agrupamento de parâmetros) e para alterar a resolução de entrada. O código escrito para essa interface funciona entre arquiteturas, o que é a maneira como o script de treinamento do `timm`, os wrappers de extração de recursos e a fábrica de otimizadores tratam todos os modelos da mesma forma.

Esta página descreve a interface de um modelo construído: quais partes todos os modelos fornecem, quais a maioria fornece e quais são específicas de algumas famílias. Como os modelos são criados (argumentos de `create_model`, tags pré-treinadas, a configuração pré-treinada) é abordado na [referência de modelos](reference/models).

## Extrator de recursos e cabeça

A passagem direta de um modelo é `forward_head(forward_features(x))`.

- **`forward_features(x)`** retorna a saída não agregada da última etapa, após a camada de normalização final, se o modelo tiver uma: um mapa de recursos `NCHW` para modelos convolucionais, tokens `NLC` (incluindo quaisquer tokens de prefixo de classe / registro) para modelos no estilo ViT.
- **`forward_head(x, pre_logits=False)`** aplica o pooling global (ou seleção de tokens), as camadas pré-logits e o classificador. Com `pre_logits=True`, ele para antes do classificador e retorna os recursos agregados.

Três atributos descrevem os tamanhos envolvidos:

| Atributo | Descrição |
|---|---|
| `num_classes` | Tamanho da saída do classificador, `0` se o classificador foi removido |
| `num_features` | Canais (ou dimensão de incorporação) da saída de `forward_features` |
| `head_hidden_size` | Tamanho da saída `pre_logits=True`, a entrada do classificador. Igual a `num_features`, a menos que a cabeça tenha uma camada oculta (por exemplo, ConvNeXt com `head_hidden_size` definido) ou pooling de concatenação (`catavgmax` o dobra) |

```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)
```

Alguns modelos se desviam do formato de entrada e saída com um único tensor: modelos de múltiplos ramos (CrossViT, EfficientViM) retornam uma lista de `forward_features`, e os ViTs NaFlex / Gemma4 aceitam entradas extras de coordenadas de patch e validade para resolução variável.

## Classificador

- **`get_classifier()`** retorna o módulo do classificador.
- **`reset_classifier(num_classes, global_pool=None)`** substitui o classificador por um novo, inicializado aleatoriamente.
  - **`num_classes=0`** substitui o classificador por uma identidade, de modo que `model(x)` retorna os recursos agregados quando a agregação permanece habilitada.
  - **`global_pool`** altera o pooling ao mesmo tempo. `global_pool=''` o desativa; combinado com `num_classes=0`, `model(x)` retorna recursos não poolados.
  - **`global_pool=None`** mantém o pooling atual.

Criar um modelo com `num_classes` / `global_pool` definidos tem o mesmo efeito que redefinir o classificador posteriormente, sem alocar o classificador original. Torres de visão apenas de codificador (os codificadores DeepSeek, Gemma4, MobileNetV5 e Qwen3) não possuem classificador e não implementam esses métodos.

## Recursos intermediários

- **`forward_intermediates(x, indices=None, norm=False, stop_early=False, output_fmt='NCHW', intermediates_only=False)`** executa o modelo e retorna os recursos finais, além de uma lista de recursos intermediários.
  - **`indices`** seleciona os intermediários: `None` para todos, um `int` `n` para os últimos `n`, ou uma lista de índices (valores negativos contam a partir do final).
  - **`intermediates_only=True`** retorna apenas os recursos intermediários.
  - **`stop_early=True`** ignora os blocos após o último índice selecionado (alguns modelos, por exemplo, MobileNetV3, exigem `intermediates_only=True`).
  - **`norm=True`** aplica a camada de normalização final a cada intermediário.
- **`feature_info`** descreve os recursos intermediários disponíveis, com uma entrada por índice contendo o número de canais (`num_chs`), o stride em relação à entrada (`reduction`) e o nome do módulo (`module`).
- **`prune_intermediate_layers(indices=1, prune_norm=False, prune_head=True)`** remove os blocos após o último índice que será utilizado (e, opcionalmente, a normalização final e o head) e retorna os índices absolutos a serem adotados. Use-o quando o modelo for utilizado apenas para extrair intermediários, como um backbone para um head de detecção ou segmentação.
  - **`prune_head=True`** remove a cabeça inteira (normalização da cabeça, camadas pré-logits, pooling de atenção e classificador), deixando no máximo o pooling. Passe `prune_head=False` para manter a cabeça quando a largura dos recursos não muda.
  - Quando o pruning altera a largura dos recursos (pruning de um modelo hierárquico para um estágio anterior), a head e a normalização final dimensionadas para o último estágio também são removidas. `forward_features()` então termina no último recurso mantido, e `num_features` / `head_hidden_size` são a sua largura.
  - Com os padrões, o modelo podado não possui parâmetros não utilizados (o DDP funciona sem `find_unused_parameters`), exceto CoaT (blocos paralelos), CrossViT e HRNet quando apenas algumas de suas escalas/ramificações paralelas são utilizadas.

```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
```

Todos os recursos são retornados como mapas `NCHW` por padrão, incluindo os de modelos no estilo ViT, cujos tokens espaciais são remodelados em uma grade com os tokens de prefixo descartados. As outras opções de `output_fmt` são específicas da família (`NLC` para modelos no estilo ViT, `NHWC` para alguns), assim como argumentos extras, como `return_prefix_tokens` (família ViT). Criar um modelo com `features_only=True` o encapsula como um backbone que retorna os mapas de recursos de `model(x)`; consulte [extração de recursos](feature_extraction) para detalhes sobre ambas as abordagens.

## Tamanho da entrada

Os modelos se dividem em três grupos, de acordo com a forma como tratam a resolução de entrada:

- **Qualquer tamanho de entrada.** A maioria dos modelos convolucionais, e híbridos convolucionais sem embeddings de posição de tamanho fixo ou partições de janela, funciona em qualquer tamanho de entrada maior que o stride total, sem alterações.
- **Tamanho de entrada fixo, redimensionável.** Modelos com embeddings de posição, partições de janela de atenção ou tabelas de posição relativa são construídos para um tamanho específico, definido pelo argumento `img_size` na criação (padrão: o `input_size` do cfg pré-treinado). Nas famílias que implementam isso (ViT, DeiT, BEiT, EVA, Swin, MaxViT e outras, veja a tabela abaixo), **`set_input_size(img_size=...)`** altera esse tamanho posteriormente, reamostrando os embeddings de posição e as tabelas de posição relativa e atualizando as janelas. Vários aceitam argumentos adicionais, por exemplo, `patch_size` para ViT, `window_size` / `window_ratio` para Swin. Chamar a função no tamanho atual não altera o modelo. Os demais devem ser criados com o `img_size` em que serão utilizados.
- **Tamanho de entrada dinâmico.** Modelos das famílias ViT e EVA criados com `dynamic_img_size=True` reamostram seu embedding de posição para o tamanho de entrada a cada passagem de frente, com algum custo em velocidade. Modelos Swin, SwinV2 e SwinV2-CR criados com `dynamic_img_size=True` (ou o equivalente `strict_img_size=False`) calculam suas máscaras de atenção para o tamanho de entrada em cada passagem de frente, em vez disso. ViTs NaFlex lidam com resolução variável 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))
```

## Hooks de treinamento

- **`set_grad_checkpointing(enable=True)`** ativa o checkpointing de ativações (gradientes), recalculando as ativações do forward de cada bloco no backward para economizar memória (`--grad-checkpointing` em `train.py`). A maioria dos modelos o suporta, mas algumas arquiteturas mais antigas (VGG, Inception, NASNet, ...) geram um erro.
- **`group_matcher(coarse=False)`** retorna expressões regulares que atribuem cada parâmetro a um grupo de caule ou bloco. A fábrica de otimizadores usa isso para escalar as taxas de aprendizado por camada para o decaimento da taxa de aprendizado por camada (`layer_decay`, consulte a [referência de otimizadores](reference/optimizers#parameter-groups)).
- **`no_weight_decay()`**, quando implementado, retorna os nomes dos parâmetros que não devem ter weight decay aplicado (embeddings de posição, tokens de classe, ...). A fábrica de otimizador exclui esses parâmetros e todos os parâmetros 1D (biases, escalas de normalização) do weight decay.

## Configuração pré-treinada

`model.pretrained_cfg` (e seu alias mais antigo `model.default_cfg`) é um dicionário que descreve o checkpoint de origem: tamanho de entrada, interpolação, recorte, normalização, nomes do classificador e do primeiro módulo de convolução, licença e fonte. Ele é usado para adaptar o classificador e a convolução de entrada quando pesos pré-treinados são carregados, e como padrões de pré-processamento. Consulte a [referência de modelos](reference/models#pretrained-config) para os campos.

O cfg pré-treinado não é alterado quando um modelo é criado ou modificado para diferir de seu checkpoint (`in_chans`, `img_size`, `set_input_size()`). A entrada atual do modelo é rastreada separadamente, `timm.models.get_model_input_config(model)` retorna seus canais, tamanho e restrição de tamanho fixo, e `timm.data.resolve_input_data_config(model)` resolve uma configuração de dados para as transformações em relação a ela. `timm.models.get_model_args(model)` retorna os argumentos para reconstruir o modelo como ele está agora, e `save_for_hf` os grava na configuração exportada, para que um modelo redimensionado ou adaptado possa ser recarregado. Veja [adaptar e exportar modelos](model_adaptation).

## Suporte da família

A tabela abaixo lista quais partes opcionais da interface cada família de modelos suporta. Ela é gerada por `hfdocs/generate_model_docs.py`, que constrói e executa um pequeno modelo de cada classe de modelo em cada família. O suporte pode variar entre as arquiteturas de uma família; consulte as páginas das famílias para mais detalhes.

| Família | Classes | `features_only` | `forward_intermediates` | `prune_intermediate_layers` | Qualquer tamanho de entrada | `set_input_size` | `dynamic_img_size` | Checkpointing de Grad | Decaimento de camada | `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 e CoAtNet](models/maxxvit) | `MaxxVit` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [MetaFormer (PoolFormer, ConvFormer, CAFormer)](models/metaformer) | `MetaFormer` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✗ | ✓ |
| [MLP-Mixer, ResMLP e 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 (legado)](models/senet) | `SENet` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Sequenciador](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` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Gêmeos](models/twins) | `Twins` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [VGG](models/vgg) | `VGG` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [Visformer](models/visformer) | `Visformer` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [Transformador de Visão (posição relativa)](models/vision-transformer-relpos) | `VisionTransformerRelPos` | ✓ | ✓ | ✓ | ✗ | ✓ | ✗ | ✓ | ✓ | ✓ |
| [Transformador de Visão (ViT)](models/vision-transformer) | `VisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [ViTamin](models/vitamin) | `VisionTransformer` | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| [VOLO](models/volo) | `VOLO` | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✓ |
| [VoVNet](models/vovnet) | `VovNet` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |
| [Xception (legado)](models/xception) | `Xception` | ✓ | ✓ | ✓ | ✓ | – | – | ✗ | ✓ | ✓ |
| [XCiT](models/xcit) | `Xcit` | ✓ | ✓ | ✓ | ✓ | – | – | ✓ | ✓ | ✓ |

✓ suportado, ✓ (quadrado) funciona apenas para tamanhos quadrados, ✗ não suportado, – não necessário (o modelo já aceita qualquer tamanho de entrada). Cada classe de modelo de uma família é verificada executando cada recurso em um modelo inicializado aleatoriamente da menor arquitetura (não de teste) da família. Classes com os mesmos resultados compartilham uma linha, e a página da família lista a arquitetura usada para cada uma.

## Implementando um modelo

Um novo modelo deve implementar a interface para funcionar com o script de treinamento, a extração de recursos e a fábrica de otimizadores, sem casos especiais:

- `forward_features`, `forward_head(x, pre_logits=False)` e `forward` como sua composição, com `num_classes`, `num_features` e `head_hidden_size` definidos.
- `get_classifier` e `reset_classifier(num_classes, global_pool=None)`.
- `forward_intermediates`, `prune_intermediate_layers` e uma lista `feature_info`.
- `set_grad_checkpointing`, `group_matcher` e `no_weight_decay` para qualquer parâmetro que não deve ser decaído.
- `set_input_size` se o modelo for construído para um tamanho de entrada fixo.
- Os argumentos padrão do construtor: `num_classes`, `in_chans`, `global_pool`, `drop_rate`, `drop_path_rate` e `device` / `dtype` para a criação dos parâmetros.

`tests/test_models.py` verifica as partes de forward, backward, features, intermediates, classifier reset e pretrained cfg da interface para os modelos registrados (os maiores são excluídos de alguns testes para manter o tempo de CI baixo).