# Backbone

Un backbone est un modèle utilisé pour l'extraction de caractéristiques pour des tâches de vision par ordinateur de plus haut niveau, telles que la détection d'objets et la classification d'images. Transformers fournit une classe [AutoBackbone](/docs/transformers/v5.23.0/fr/main_classes/backbones#transformers.AutoBackbone) pour initialiser un backbone Transformers à partir de poids de modèle pré-entraînés, ainsi que deux classes utilitaires :

* [BackboneMixin](/docs/transformers/v5.23.0/fr/main_classes/backbones#transformers.BackboneMixin) permet d’initialiser un backbone à partir de Transformers ou de [timm](https://hf.co/docs/timm/index) et inclut des fonctions pour retourner les caractéristiques de sortie et les indices.
* [BackboneConfigMixin](/docs/transformers/v5.23.0/fr/main_classes/backbones#transformers.BackboneConfigMixin) définit les fonctionnalités de sortie et les indices de la configuration du backbone.

Les modèles [timm](https://hf.co/docs/timm/index) sont chargés avec les classes [TimmBackbone](/docs/transformers/v5.23.0/fr/main_classes/backbones#transformers.TimmBackbone) et [TimmBackboneConfig](/docs/transformers/v5.23.0/fr/main_classes/backbones#transformers.TimmBackboneConfig).

Les backbones sont pris en charge pour les modèles suivants :

* [BEiT](../model_doc/beit)
* [BiT](../model_doc/bit)
* [ConvNext](../model_doc/convnext)
* [ConvNextV2](../model_doc/convnextv2)
* [DiNAT](../model_doc/dinat)
* [DINOV2](../model_doc/dinov2)
* [FocalNet](../model_doc/focalnet)
* [MaskFormer](../model_doc/maskformer)
* [ResNet](../model_doc/resnet)
* [Swin Transformer](../model_doc/swin)
* [Swin Transformer v2](../model_doc/swinv2)
* [ViTDet](../model_doc/vitdet)

## AutoBackbone[[transformers.AutoBackbone]]

#### transformers.AutoBackbone[[transformers.AutoBackbone]]

```python
transformers.AutoBackbone(*args, **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/auto/modeling_auto.py#L2639)

## BackboneMixin[[transformers.BackboneMixin]]

#### transformers.BackboneMixin[[transformers.BackboneMixin]]

```python
transformers.BackboneMixin(*args, **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L189)

#### post_init[[transformers.BackboneMixin.post_init]]

```python
post_init()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L215)

Écrasez `post_init` pour installer systématiquement les hooks de capture, car le backbone capturera TOUJOURS les sorties. Il faut le faire dans `post_init`, car les modules doivent déjà être instanciés. Cela évite certains conflits avec `torch.compile`, car la première installation de hook nécessitera/créera une rupture de graphe, ce qui peut entrer en collision avec un appel utilisateur externe tel que `model = torch.compile(model...)`.

## BackboneConfigMixin[[transformers.BackboneConfigMixin]]

#### transformers.BackboneConfigMixin[[transformers.BackboneConfigMixin]]

```python
transformers.BackboneConfigMixin()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L37)

Un Mixin pour prendre en charge la gestion des attributs `out_features` et `out_indices` des configurations de backbone.

#### set_output_features_output_indices[[transformers.BackboneConfigMixin.set_output_features_output_indices]]

```python
set_output_features_output_indices(out_features: list | None, out_indices: list | None)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L42)

**Paramètres :**

out_features (`list[str]`, *facultatif*) : Les noms des fonctionnalités que le backbone doit produire. Par défaut, `config._out_features` si non fourni.

out_indices (`list[int]` ou `tuple[int]`, *facultatif*) : Les indices des fonctionnalités que le backbone doit produire. Par défaut, `config._out_indices` si non fourni.

Définit les indices et les caractéristiques de sortie sur de nouvelles valeurs et les aligne sur les `stage_names` fournis. Si l'une des entrées n'est pas fournie, recherche les `out_features` ou `out_indices` correspondants pour les `stage_names` donnés.

#### to_dict[[transformers.BackboneConfigMixin.to_dict]]

```python
to_dict()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L151)

Sérialise cette instance en dictionnaire Python. Remplace la méthode `to_dict()` par défaut de `PreTrainedConfig` pour inclure les attributs `out_features` et `out_indices`.

#### verify_out_features_out_indices[[transformers.BackboneConfigMixin.verify_out_features_out_indices]]

```python
verify_out_features_out_indices()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/backbone_utils.py#L78)

Vérifiez que out_indices et out_features sont valides pour les stage_names donnés.

## TimmBackbone[[transformers.TimmBackbone]]

#### transformers.TimmBackbone[[transformers.TimmBackbone]]

```python
transformers.TimmBackbone(config: TimmBackboneConfig, **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/timm_backbone/modeling_timm_backbone.py#L35)

Classe enveloppe pour les modèles timm destinés à être utilisés comme squelettes. Cela permet d’utiliser les modèles timm de manière interchangeable avec les autres modèles de la bibliothèque, en conservant la même API.

## TimmBackboneConfig[[transformers.TimmBackboneConfig]]

#### transformers.TimmBackboneConfig[[transformers.TimmBackboneConfig]]

```python
transformers.TimmBackboneConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, backbone: str | None = None, num_channels: int = 3, features_only: bool = True, _out_indices: list[int] | None = None, freeze_batch_norm_2d: bool = False, output_stride: int | None = None)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/timm_backbone/configuration_timm_backbone.py#L26)

**Paramètres :**

backbone (`str`, *facultatif*) : Le point de contrôle timm à charger.

num_channels (`int`, *facultatif*, par défaut `3`) : Le nombre de canaux d'entrée.

features_only (`bool`, *facultatif*, valeur par défaut `True`) : Indique s'il faut n'afficher que les caractéristiques ou également les logits.

freeze_batch_norm_2d (`bool`, *facultatif*, valeur par défaut `False`) : Convertit toutes les couches `BatchNorm2d` et `SyncBatchNorm` du module fourni en `FrozenBatchNorm2d`.

output_stride (`int`, *facultatif*) : Le ratio entre la résolution spatiale des cartes de caractéristiques d'entrée et de sortie.

Ceci est la classe de configuration destinée à stocker la configuration d'un TimmBackbone. Elle est utilisée pour instancier un modèle Timm Backbone en fonction des arguments spécifiés, en définissant l'architecture du modèle. L'instanciation d'une configuration avec les valeurs par défaut produira une configuration similaire à celle de [](https://huggingface.co/)

Les objets de configuration héritent de [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) et peuvent être utilisés pour contrôler les sorties du modèle. Consultez la documentation de [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) pour plus d’informations.

Exemple :
```python
>>> from transformers import TimmBackboneConfig, TimmBackbone

>>> # Initializing a timm backbone
>>> configuration = TimmBackboneConfig("resnet50")

>>> # Initializing a model from the configuration
>>> model = TimmBackbone(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

