timm: Gudang 1000+ Model Computer Vision Siap Pakai di PyTorch

Halo temen-temen, di tutorial kali ini aku mau ngajak kalian kenalan sama library yang menurutku wajib ada di toolbox siapa pun yang ngerjain computer vision pakai PyTorch, namanya timm, kependekan dari PyTorch Image Models. Kalau kalian pernah bingung mau pakai backbone apa buat proyek klasifikasi gambar, atau pernah copy-paste kode ResNet dari blog orang terus bingung kenapa akurasinya jelek, timm ini jawabannya.

Singkatnya, timm itu koleksi lebih dari seribu arsitektur model vision yang udah dilatih (pretrained), lengkap sama preprocessing yang benar, augmentasi modern, optimizer, scheduler, dan utilitas training. Semuanya dengan API yang konsisten. Ganti dari ResNet ke ConvNeXt ke EfficientNet ke Vision Transformer cuma ganti satu string nama model. Serius, satu string.

Di tutorial ini kita bakal bahas instalasi, cara nyari dan milih model, inference sederhana, ambil fitur buat transfer learning, fine-tuning model buat dataset sendiri, sampai tips memilih model yang pas antara akurasi dan kecepatan. Yuk mulai.

Introduction

Sebelum ngoding aku mau jelasin dulu kenapa timm beda dari sekadar torchvision.models.

Apa Itu timm

Yang bikin dia spesial bukan cuma jumlah modelnya, tapi tiga hal ini.

Pertama, bobot pretrained-nya berkualitas tinggi dan sering kali lebih bagus dari bobot resmi paper aslinya, karena Ross melatih ulang banyak model dengan resep training modern.

Kedua, setiap model bawa konfigurasi preprocessing sendiri. Ini penting banget dan sering diremehkan orang. ViT dilatih dengan normalisasi berbeda dari ResNet. Kalau kalian pakai mean dan std yang salah, akurasi bisa anjlok belasan persen tanpa kalian sadari. timm ngurus ini otomatis.

Ketiga, API-nya konsisten. Semua model dibuat lewat timm.createmodel(), semua punya method forwardfeatures(), dan semua punya cara yang sama buat ganti jumlah kelas output.

Kapan Pakai timm

Pakai timm kalau kalian butuh backbone kuat untuk klasifikasi gambar, butuh feature extractor untuk task lain (deteksi, segmentasi, retrieval, similarity search), atau lagi benchmarking beberapa arsitektur untuk dataset kalian dan pengen ganti-ganti model tanpa nulis ulang kode.

Kalau kalian butuh model deteksi objek siap pakai, itu ranahnya Ultralytics atau Detectron2. timm fokus di backbone dan klasifikasi, tapi backbone-nya sering dipakai di dalam library-library itu juga.

Instalasi

Butuh Python 3.8 ke atas dan PyTorch. Bikin virtual environment dulu ya.

python -m venv venv
source venv/bin/activate   # Linux / Mac
venv\Scripts\activate    # Windows

pip install torch torchvision
pip install timm pillow matplotlib

Cek versinya:

import timm
import torch

print("timm:", timm.version)
print("torch:", torch.version)
print("cuda tersedia:", torch.cuda.isavailable())

import timm

Berapa banyak model dengan bobot pretrained?
semua = timm.listmodels(pretrained=True)
print("total model pretrained:", len(semua))

Cari model ConvNeXt
print(timm.listmodels("convnext", pretrained=True)[:10])


Cari model efficientnet ukuran kecil
print(timm.listmodels("efficientnetb0", pretrained=True))


Cari ViT
print(timm.listmodels("vitbase", pretrained=True)[:10])

Pola penamaan timm biasanya arsitekturukuran.resepdataset. Contohnya convnexttiny.fbin22kftin1k artinya ConvNeXt ukuran tiny, bobot dari Facebook, dilatih di ImageNet-22k lalu di-fine-tune ke ImageNet-1k. Semakin banyak kalian baca nama model, semakin gampang nebak kualitasnya.

import timm
import torch
from PIL import Image
import urllib.request

1. Buat model dengan bobot pretrained
model = timm.createmodel("convnexttiny.fbin1k", pretrained=True)
model.eval()

2. Ambil transform yang BENAR untuk model ini
config = timm.data.resolvemodeldataconfig(model)

transform = timm.data.createtransform(config, istraining=False)

print(config)

3. Siapkan gambar
urllib.request.urlretrieve(
    "https://raw.githubusercontent.com/pytorch/hub/master/images/dog.jpg", "dog.jpg"
)
img = Image.open("dog.jpg").convert("RGB")

4. Prediksi
x = transform(img).unsqueeze(0)  # tambah dimensi batch
with torch.nograd():
    logits = model(x)

probs = logits.softmax(dim=-1)[0]
top5 = probs.topk(5)

5. Ambil nama kelas ImageNet
url = "https://raw.githubusercontent.com/pytorch/hub/master/imagenetclasses.txt"

urllib.request.urlretrieve(url, "imagenetclasses.txt")
labels = open("imagenetclasses.txt").read().splitlines()


for skor, idx in zip(top5.values, top5.indices):
    print(f"{labels[idx]:30s} {skor.item():.4f}")

# Dataset saya punya 7 kelas
model = timm.createmodel("resnet50.a1in1k", pretrained=True, numclasses=7)


x = torch.randn(2, 3, 224, 224)
print(model(x).shape)   # torch.Size([2, 7])

backbone = timm.createmodel("resnet50.a1in1k", pretrained=True, numclasses=0)
fitur = backbone(torch.randn(2, 3, 224, 224))
print(fitur.shape)   # torch.Size([2, 2048])

import timm
import torch

model = timm.createmodel(
    "resnet50.a1in1k",

    pretrained=True,
    featuresonly=True,
    outindices=(1, 2, 3, 4),

)

out = model(torch.randn(1, 3, 224, 224))
for i, f in enumerate(out):
    print(i, f.shape)

print(model.featureinfo.channels())   # jumlah channel tiap level
print(model.featureinfo.reduction())  # faktor downsampling tiap level

data/
  train/
    kucing/  gambar1.jpg ...
    anjing/  gambar1.jpg ...
  val/
    kucing/  ...
    anjing/  ...

import timm
import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision.datasets import ImageFolder

DEVICE = "cuda" if torch.cuda.isavailable() else "cpu"
NAMAMODEL = "convnexttiny.fbin1k"


1. Model
model = timm.createmodel(NAMAMODEL, pretrained=True, numclasses=2)
model.to(DEVICE)

2. Transform sesuai model, versi train dan eval
cfg = timm.data.resolvemodeldataconfig(model)

tftrain = timm.data.createtransform(cfg, istraining=True, autoaugment="rand-m9-mstd0.5")

tfval = timm.data.createtransform(*cfg, istraining=False)


3. Dataset dan loader
dstrain = ImageFolder("data/train", transform=tftrain)
dsval = ImageFolder("data/val", transform=tfval)
dltrain = DataLoader(dstrain, batchsize=32, shuffle=True, numworkers=4, pinmemory=True)

dlval = DataLoader(dsval, batchsize=64, shuffle=False, numworkers=4)


print("kelas:", dstrain.classes)

4. Optimizer, scheduler, loss
optimizer = timm.optim.createoptimizerv2(model, opt="adamw", lr=3e-4, weightdecay=0.05)

criterion = nn.CrossEntropyLoss(labelsmoothing=0.1)
EPOCHS = 10
scheduler = torch.optim.lrscheduler.CosineAnnealingLR(optimizer, Tmax=EPOCHS)

5. Loop training
for epoch in range(EPOCHS):
    model.train()
    totalloss = 0.0

    for x, y in dltrain:
        x, y = x.to(DEVICE), y.to(DEVICE)
        optimizer.zerograd()

        loss = criterion(model(x), y)
        loss.backward()
        optimizer.step()
        totalloss += loss.item()  x.size(0)

    scheduler.step()

    model.eval()
    benar = 0
    total = 0
    with torch.nograd():

        for x, y in dlval:
            x, y = x.to(DEVICE), y.to(DEVICE)
            pred = model(x).argmax(dim=1)
            benar += (pred == y).sum().item()
            total += y.size(0)

    print(f"epoch {epoch+1}/{EPOCHS} "
          f"loss {totalloss/len(dstrain):.4f} "
          f"valacc {benar/total:.4f}")


torch.save(model.statedict(), "modelfinetuned.pth")

model = timm.createmodel("convnexttiny.fbin1k", pretrained=True, numclasses=2)

for p in model.parameters():
    p.requiresgrad = False

Buka hanya classifier head
for p in model.getclassifier().parameters():

    p.requiresgrad = True

optimizer = torch.optim.AdamW(
    [p for p in model.parameters() if p.requiresgrad], lr=1e-3

)

import timm
import torch

model = timm.createmodel("convnexttiny.fbin1k", pretrained=False, numclasses=2)

model.loadstatedict(torch.load("modelfinetuned.pth", maplocation="cpu"))

model.eval()

Kalau kalian butuh cepat dan ringan buat deploy di CPU atau perangkat mobile, coba mobilenetv3large100, efficientnetb0, atau efficientvitb0. Ukurannya kecil, inferensinya cepat, akurasinya masih respectable.

Kalau kalian butuh keseimbangan bagus antara akurasi dan biaya di GPU, convnexttiny, resnet50, dan efficientnetb3 adalah titik manis yang jarang mengecewakan.

Kalau kalian mengejar akurasi maksimal dan punya GPU besar plus data banyak, lihat convnextbase, swinbasepatch4window7224, atau model keluarga eva02 yang sering menempati posisi teratas benchmark.

Kalau data kalian sedikit sekali, pilih model yang dilatih di dataset besar seperti ImageNet-22k (perhatikan in22k di nama modelnya), karena fiturnya lebih general dan transfer learning-nya lebih kuat.

Satu tips terakhir: selalu benchmark dua sampai tiga kandidat di data kalian sendiri. Peringkat di ImageNet nggak selalu berlaku di dataset spesifik kalian, apalagi kalau domainnya jauh seperti citra medis atau citra satelit.

Tips dan Best Practice

Selalu pakai resolvemodeldataconfig dan createtransform, jangan hardcode normalisasi. Ini kesalahan nomor satu yang aku lihat di kode orang.

Perhatikan ukuran input. Beberapa model dilatih di 224x224, ada yang 288, 384, bahkan 512. Kalau kalian paksa ukuran yang salah ke ViT, kadang error atau akurasinya turun karena posisi embedding-nya nggak cocok.

Gunakan mixed precision buat hemat memori dan mempercepat training di GPU modern, cukup bungkus forward pass dengan torch.autocast.

Simpan nama model dan versi timm di file konfigurasi eksperimen kalian. Nama bobot di timm kadang berubah antar versi, dan ini bisa bikin hasil kalian nggak reproducible.

Manfaatkan timm.utils.ModelEmaV2 kalau kalian training lama. Exponential moving average dari bobot sering ngasih akurasi validasi lebih stabil dan sedikit lebih tinggi secara gratis.

Kesimpulan

Selalu ambil transform lewat resolvemodeldataconfig supaya preprocessing kalian persis sama dengan waktu model dilatih.

Fine-tuning cukup dengan loop PyTorch biasa, ditambah augmentasi modern dan optimizer AdamW dari timm.

Pemilihan model harus mempertimbangkan target deployment, ukuran data, dan domain, bukan cuma peringkat akurasi ImageNet.

Coba ambil dataset kecil kalian sendiri, misalnya klasifikasi produk atau kualitas hasil produksi, lalu bandingkan tiga arsitektur berbeda cuma dengan mengganti satu string. Kalian bakal langsung ngerasain kenapa library ini jadi standar de facto di dunia computer vision PyTorch. Selamat mencoba.