Data2vec Vision Large Ft1k

🚀 Data2Vec-Vision (大規模モデル、ImageNet-1kでファインチューニング済み)

BEiTモデルは自己教師付き学習方式で事前学習され、解像度224x224のImageNet-1k（120万枚の画像、1000クラス）でファインチューニングされています。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

このモデルは画像分類に使用できます。興味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。

使い方

以下は、このモデルを使用してCOCO 2017データセットの画像を1000のImageNetクラスのいずれかに分類する方法です。

from transformers import BeitFeatureExtractor, Data2VecVisionForImageClassification
from PIL import Image
import requests
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = BeitFeatureExtractor.from_pretrained('facebook/data2vec-vision-large-ft1k')
model = Data2VecVisionForImageClassification.from_pretrained('facebook/data2vec-vision-large-ft1k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

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。

✨ 主な機能

BEiTモデルは自己教師付き学習方式で事前学習され、ImageNet-1kでファインチューニングされており、画像分類タスクに適しています。

📚 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。これは、単一のモダリティを念頭に開発されたためです。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、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、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付けられた潜在表現を予測します。音声認識、画像分類、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に対する競争力のあるパフォーマンスを示しています。

想定される用途と制限

このモデルは画像分類に使用できます。興味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。

トレーニングデータ

BEiTモデルは、120万枚の画像と1000クラスからなる ImageNet-1k で事前学習およびファインチューニングされています。

トレーニング手順

前処理

トレーニング/検証中の画像の前処理の正確な詳細は、ここ で確認できます。

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）と標準偏差（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、モデルサイズを増やすとパフォーマンスが向上します。

私たちはこのモデルを ImageNet1K で評価し、トップ1精度 = 86.50 を得ました。元の論文ではトップ1精度 = 86.2 と報告されていました。 評価プロセスを再現したい場合は、このColabノートブック を使用できます。

BibTeXエントリと引用情報

@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ライセンスの下で提供されています。