Data2vec Vision Base

🚀 Data2Vec-Vision (base-sized model, pre-trained only)

BEiTモデルは、解像度224x224のImageNet-1k（120万枚の画像、1000クラス）で自己教師付き学習方式で事前学習されています。このモデルは、Alexei Baevski、Wei-Ning Hsu、Qiantong Xu、Arun Babu、Jiatao Gu、Michael Auliによる論文 data2vec: A General Framework for Self-supervised Learning in Speech, Vision and Language で紹介され、このリポジトリ で最初に公開されました。

免責事項: Facebookのチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceのチームによって作成されています。

🚀 クイックスタート

このモデルは画像分類に使用できます。関心のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

✨ 主な機能

このモデルは、音声、自然言語処理、コンピュータビジョンのいずれにも同じ学習方法を使用するdata2vecフレームワークを用いて事前学習されています。

📚 ドキュメント

事前学習方法

詳細については、公式論文 を参照してください。

概要

自己教師付き学習の一般的なアイデアはモダリティ間で同じですが、実際のアルゴリズムと目的は大きく異なります。なぜなら、これらは単一のモダリティを念頭に開発されたからです。一般的な自己教師付き学習に近づくために、私たちはdata2vecというフレームワークを提案します。このフレームワークは、音声、自然言語処理、またはコンピュータビジョンのいずれにも同じ学習方法を使用します。核心的なアイデアは、標準的なTransformerアーキテクチャを使用した自己蒸留設定で、入力のマスクされたビューに基づいて、全入力データの潜在表現を予測することです。data2vecは、本質的に局所的な単語、視覚トークン、または人間の音声の単位などのモダリティ固有のターゲットを予測するのではなく、入力全体の情報を含む文脈化された潜在表現を予測します。音声認識、画像分類、および自然言語理解の主要なベンチマークでの実験は、新しい最先端技術または主要なアプローチと競争力のある性能を示しています。

想定される用途と制限

この生モデルは画像分類に使用できます。関心のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

学習データ

BEiTモデルは、120万枚の画像と1000クラスからなる ImageNet-1k で事前学習されました。

学習手順

前処理

学習/検証中の画像の前処理の正確な詳細は、ここ を参照してください。

画像は同じ解像度（224x224）にリサイズ/リスケールされ、RGBチャネル全体で平均（0.5, 0.5, 0.5）、標準偏差（0.5, 0.5, 0.5）で正規化されます。

事前学習

すべての事前学習関連のハイパーパラメータについては、元の論文 と 元のコードベース を参照してください。

評価結果

いくつかの画像分類ベンチマークでの評価結果については、元の論文の表1を参照してください。ファインチューニングでは、より高い解像度で最良の結果が得られます。もちろん、モデルサイズを大きくすると性能が向上します。

BibTeX引用

@misc{https://doi.org/10.48550/arxiv.2202.03555,
  doi = {10.48550/ARXIV.2202.03555},
  url = {https://arxiv.org/abs/2202.03555},
  author = {Baevski, Alexei and Hsu, Wei-Ning and Xu, Qiantong and Babu, Arun and Gu, Jiatao and Auli, Michael},
  keywords = {Machine Learning (cs.LG), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {data2vec: A General Framework for Self-supervised Learning in Speech, Vision and Language},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

📄 ライセンス

このモデルはApache-2.0ライセンスの下で公開されています。