Beit Large Finetuned Ade 640 640

🚀 BEiT (大規模モデル、ADE20kでファインチューニング済み)

BEiTモデルは、解像度224x224のImageNet - 21k（1400万枚の画像、21,841クラス）で自己教師あり学習方式で事前学習され、解像度640x640のADE20k（画像のセマンティックセグメンテーションの重要なベンチマーク）でファインチューニングされました。このモデルは、Hangbo Bao、Li Dong、Furu Weiによる論文BEIT: BERT Pre - Training of Image Transformers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: BEiTを公開した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

このモデルは画像のセマンティックセグメンテーションに使用できます。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

BEiTモデルはVision Transformer (ViT)で、トランスフォーマーエンコーダモデル（BERTのようなもの）です。元のViTモデルとは対照的に、BEiTは解像度224x224ピクセルの大量の画像コレクションであるImageNet - 21kで自己教師あり学習方式で事前学習されます。このモデルの事前学習の目的は、マスクされたパッチに基づいて、OpenAIのDALL - EのVQ - VAEのエンコーダから視覚トークンを予測することです。 次に、このモデルは解像度224x224で、100万枚の画像と1,000クラスからなるデータセットであるImageNet（ILSVRC2012とも呼ばれる）で教師あり学習方式でファインチューニングされます。

画像は固定サイズのパッチ（解像度16x16）のシーケンスとしてモデルに提示され、線形埋め込みされます。元のViTモデルとは異なり、BEiTモデルは絶対位置埋め込みではなく相対位置埋め込み（T5に似たもの）を使用し、[CLS]トークンの最終隠れ状態の上に線形層を配置する代わりに、パッチの最終隠れ状態を平均プーリングして画像の分類を行います。

モデルを事前学習することで、画像の内部表現を学習し、下流タスクに役立つ特徴を抽出するために使用できます。セマンティックセグメンテーションの場合、例えば[mmsegライブラリ](https://github.com/open - mmlab/mmsegmentation)で利用可能なデコードヘッドを追加し、注釈付き画像で教師あり学習方式でモデルをファインチューニングすることができます。著者らはこれを行い、UperHeadセグメンテーションデコードヘッドでBEiTをファインチューニングし、ADE20kやCityScapesなどの重要なベンチマークでSOTAの結果を得ることができました。

💻 使用例

基本的な使用法

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# load ADE20k image
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height/4, width/4)
logits = outputs.logits

現在、特徴抽出器とモデルの両方がPyTorchをサポートしています。

📚 ドキュメント

モデルの詳細

BEiTモデルはVision Transformer (ViT)で、トランスフォーマーエンコーダモデル（BERTのようなもの）です。元のViTモデルとは対照的に、BEiTは解像度224x224ピクセルの大量の画像コレクションであるImageNet - 21kで自己教師あり学習方式で事前学習されます。このモデルの事前学習の目的は、マスクされたパッチに基づいて、OpenAIのDALL - EのVQ - VAEのエンコーダから視覚トークンを予測することです。 次に、このモデルは解像度224x224で、100万枚の画像と1,000クラスからなるデータセットであるImageNet（ILSVRC2012とも呼ばれる）で教師あり学習方式でファインチューニングされます。

画像は固定サイズのパッチ（解像度16x16）のシーケンスとしてモデルに提示され、線形埋め込みされます。元のViTモデルとは異なり、BEiTモデルは絶対位置埋め込みではなく相対位置埋め込み（T5に似たもの）を使用し、[CLS]トークンの最終隠れ状態の上に線形層を配置する代わりに、パッチの最終隠れ状態を平均プーリングして画像の分類を行います。

モデルを事前学習することで、画像の内部表現を学習し、下流タスクに役立つ特徴を抽出するために使用できます。セマンティックセグメンテーションの場合、例えば[mmsegライブラリ](https://github.com/open - mmlab/mmsegmentation)で利用可能なデコードヘッドを追加し、注釈付き画像で教師あり学習方式でモデルをファインチューニングすることができます。著者らはこれを行い、UperHeadセグメンテーションデコードヘッドでBEiTをファインチューニングし、ADE20kやCityScapesなどの重要なベンチマークでSOTAの結果を得ることができました。

想定される用途と制限

画像のセマンティックセグメンテーションに生モデルを使用できます。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。

🔧 技術詳細

学習データ

このBEiTモデルは、1400万枚の画像と21kクラスからなるデータセットである[ImageNet - 21k](http://www.image - net.org/)で事前学習され、数千枚の注釈付き画像と150クラスからなるデータセットであるADE20kでファインチューニングされました。

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ちらにあります。

画像は同じ解像度（640x640）にクロップされ、パディングされ、RGBチャンネル全体でImageNetの平均と標準偏差で正規化されます。

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、元の論文の15ページ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の評価結果については、元の論文の表1と表2を参照してください。ファインチューニングの場合は、より高い解像度（384x384）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パフォーマンスが向上します。

BibTeX引用

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で提供されています。