# Backbone

Backbone adalah model yang digunakan untuk ekstraksi fitur untuk tugas computer vision tingkat tinggi seperti deteksi objek dan klasifikasi gambar. Transformers menyediakan kelas [AutoBackbone](/docs/transformers/v5.23.0/id/main_classes/backbones#transformers.AutoBackbone) untuk menginisialisasi backbone Transformers dari bobot model pretrained, serta dua kelas utilitas:

* [BackboneMixin](/docs/transformers/v5.23.0/id/main_classes/backbones#transformers.BackboneMixin) memungkinkan inisialisasi backbone dari Transformers atau [timm](https://hf.co/docs/timm/index) dan mencakup fungsi untuk mengembalikan fitur output dan indeks.
* [BackboneConfigMixin](/docs/transformers/v5.23.0/id/main_classes/backbones#transformers.BackboneConfigMixin) mengatur fitur dan indeks keluaran dari konfigurasi backbone.

Model [timm](https://hf.co/docs/timm/index) dimuat dengan kelas [TimmBackbone](/docs/transformers/v5.23.0/id/main_classes/backbones#transformers.TimmBackbone) dan [TimmBackboneConfig](/docs/transformers/v5.23.0/id/main_classes/backbones#transformers.TimmBackboneConfig).

Backbones didukung untuk model-model berikut:

* [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)
```

[Sumber](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)
```

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

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

```python
post_init()
```

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

Override `post_init` untuk selalu memasang hook penangkapan, karena backbone akan SELALU menangkap output. Hal ini perlu dilakukan di `post_init`, karena modul harus sudah diinstansiasi. Ini menghindari beberapa kebingungan dengan `torch.compile`, karena pemasangan hook pertama akan membutuhkan/menciptakan graph break, yang dapat bertabrakan dengan panggilan eksternal pengguna seperti `model = torch.compile(model...)`.

## BackboneConfigMixin[[transformers.BackboneConfigMixin]]

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

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

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

Mixin untuk mendukung penanganan atribut `out_features` dan `out_indices` untuk konfigurasi 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)
```

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

**Parameter:**

out_features (`list[str]`, *opsional*) : Nama-nama fitur yang akan dioutput oleh backbone. Secara default menggunakan `config._out_features` jika tidak diberikan.

out_indices (`list[int]` atau `tuple[int]`, *opsional*) : Indeks fitur yang akan dioutput oleh backbone. Secara default menggunakan `config._out_indices` jika tidak diberikan.

Menetapkan indeks dan fitur output ke nilai baru serta menyelaraskannya dengan `stage_names` yang diberikan. Jika salah satu input tidak diberikan, temukan `out_features` atau `out_indices` yang sesuai untuk `stage_names` yang diberikan.

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

```python
to_dict()
```

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

Menserialisasi instance ini ke dalam kamus Python. Menimpa `to_dict()` bawaan dari `PreTrainedConfig` untuk menyertakan atribut `out_features` dan `out_indices`.

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

```python
verify_out_features_out_indices()
```

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

Verifikasi bahwa out_indices dan out_features valid untuk stage_names yang diberikan.

## TimmBackbone[[transformers.TimmBackbone]]

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

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

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

Kelas wrapper untuk model timm agar dapat digunakan sebagai backbone. Hal ini memungkinkan penggunaan model timm secara bergantian dengan model lain di pustaka ini sambil mempertahankan API yang sama.

## 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)
```

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

**Parameter:**

backbone (`str`, *opsional*) : checkpoint timm yang akan dimuat.

num_channels (`int`, *opsional*, default `3`) : Jumlah saluran input.

features_only (`bool`, *opsional*, default `True`) : Apakah hanya mengoutput fitur atau juga logits.

freeze_batch_norm_2d (`bool`, *opsional*, default `False`) : Mengonversi semua lapisan `BatchNorm2d` dan `SyncBatchNorm` dari modul yang diberikan menjadi `FrozenBatchNorm2d`.

output_stride (`int`, *opsional*) : Rasio antara resolusi spasial dari peta fitur input dan output.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari TimmBackbone. Kelas ini digunakan untuk menginstansiasi model Timm Backbone sesuai dengan argumen yang ditentukan, sehingga mendefinisikan arsitektur model. Menginstansiasi konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [](https://huggingface.co/)

Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut.

Contoh:
```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
```

