# Backbone

Backbone은 객체 감지 및 이미지 분류와 같은 고급 컴퓨터 비전 작업을 위한 특징 추출에 사용되는 모델입니다. Transformers는 사전 학습된 모델 가중치로부터 Transformers backbone을 초기화하기 위한 [AutoBackbone](/docs/transformers/v5.23.0/ko/main_classes/backbones#transformers.AutoBackbone) 클래스와 두 가지 유틸리티 클래스를 제공합니다:

* [BackboneMixin](/docs/transformers/v5.23.0/ko/main_classes/backbones#transformers.BackboneMixin)은 Transformers 또는 [timm](https://hf.co/docs/timm/index)에서 백본을 초기화할 수 있게 하며, 출력 특징과 인덱스를 반환하는 함수를 포함합니다.
* [BackboneConfigMixin](/docs/transformers/v5.23.0/ko/main_classes/backbones#transformers.BackboneConfigMixin)은 백본 구성의 출력 특징 및 인덱스를 설정합니다.

[timm](https://hf.co/docs/timm/index) 모델은 [TimmBackbone](/docs/transformers/v5.23.0/ko/main_classes/backbones#transformers.TimmBackbone) 및 [TimmBackboneConfig](/docs/transformers/v5.23.0/ko/main_classes/backbones#transformers.TimmBackboneConfig) 클래스를 통해 로드됩니다.

다음 모델에 대해 Backbones이 지원됩니다:

* [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)
```

[소스](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)
```

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

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

```python
post_init()
```

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

`post_init`를 오버라이드하여 캡처 훅을 항상 설치합니다. backbone은 항상 출력을 캡처하기 때문입니다. 모듈이 이미 인스턴스화되어 있어야 하므로 `post_init`에서 수행해야 합니다. `torch.compile`과의 혼동을 방지할 수 있습니다. 첫 번째 훅 설치 시 그래프 브레이크가 필요하거나 생성되며, 이는 `model = torch.compile(model...)`와 같은 외부 사용자 호출과 충돌할 수 있기 때문입니다.

## BackboneConfigMixin[[transformers.BackboneConfigMixin]]

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

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

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

backbone 구성에서 `out_features` 및 `out_indices` 속성을 처리하도록 지원하는 Mixin입니다.

#### 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)
```

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

**매개변수:**

out_features (`list[str]`, *선택 사항*) : backbone이 출력할 feature의 이름입니다. 제공되지 않으면 기본값으로 `config._out_features`를 사용합니다.

out_indices (`list[int]` 또는 `tuple[int]`, *선택 사항*) : backbone이 출력할 feature의 인덱스입니다. 제공되지 않으면 기본값으로 `config._out_indices`를 사용합니다.

출력 인덱스와 특징을 새로운 값으로 설정하고, 주어진 `stage_names`와 정렬합니다. 입력 중 하나가 제공되지 않은 경우, 주어진 `stage_names`에 해당하는 `out_features` 또는 `out_indices`를 찾습니다.

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

```python
to_dict()
```

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

이 인스턴스를 Python 딕셔너리로 직렬화합니다. `out_features` 및 `out_indices` 속성을 포함하도록 `PreTrainedConfig`의 기본 `to_dict()`를 오버라이드합니다.

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

```python
verify_out_features_out_indices()
```

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

stage_names에 대해 out_indices와 out_features가 유효한지 확인합니다.

## TimmBackbone[[transformers.TimmBackbone]]

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

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

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

Wrapper class는 timm 모델을 백본으로 사용하도록 설계되었습니다. 이를 통해 라이브러리 내의 다른 모델과 동일한 API를 유지하면서 timm 모델을 상호 교환적으로 사용할 수 있습니다.

## 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)
```

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

**매개변수:**

backbone (`str`, *선택 사항*) : 로드할 timm 체크포인트입니다.

num_channels (`int`, *선택 사항*, 기본값 `3`) : 입력 채널의 수입니다.

features_only (`bool`, *선택 사항*, 기본값 `True`) : logits도 함께 출력할지, features만 출력할지를 결정합니다.

freeze_batch_norm_2d (`bool`, *선택 사항*, 기본값 `False`) : 제공된 모듈의 모든 `BatchNorm2d` 및 `SyncBatchNorm` 레이어를 `FrozenBatchNorm2d`로 변환합니다.

output_stride (`int`, *선택 사항*) : 입력과 출력 feature map의 공간 해상도 비율입니다.

이것은 TimmBackbone의 설정을 저장하기 위한 설정 클래스입니다. 지정된 인자에 따라 Timm Backbone 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 설정을 인스턴스화하면 [](https://huggingface.co/)와 유사한 설정이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

예:
```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
```

