Beit Large Patch16 384

🚀 BEiT (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、解像度224x224のImageNet-21k（1400万枚の画像、21,841クラス）で自己教師付き学習方式で事前学習され、解像度384x384のImageNet 2012（100万枚の画像、1,000クラス）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

BEiT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。

✨ 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）です。元のViTモデルとは異なり、BEiTは224x224ピクセルの解像度で、自己教師付き学習方式で大量の画像コレクション、つまりImageNet-21kで事前学習されています。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、100万枚の画像と1,000クラスから構成されるデータセットであるImageNet（ILSVRC2012とも呼ばれる）で、224x224の解像度で教師付き学習方式でファインチューニングされました。

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）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することで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、下流タスクに有用な特徴を抽出するために使用できます。たとえば、ラベル付き画像のデータセットがある場合、事前学習されたエンコーダの上に線形層を配置して標準的な分類器を学習させることができます。通常、[CLS]トークンの上に線形層を配置します。このトークンの最後の隠れ状態は、画像全体の表現と見なすことができます。あるいは、パッチ埋め込みの最終隠れ状態を平均プーリングし、その上に線形層を配置することもできます。

📦 インストール

このセクションでは、具体的なインストール手順が提供されていないため、スキップします。

💻 使用例

基本的な使用法

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1,000のImageNetクラスのいずれかに分類する方法です。

from transformers import BeitFeatureExtractor, BeitForImageClassification
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('microsoft/beit-large-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-384')
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。

📚 ドキュメント

モデルの説明

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）です。元のViTモデルとは異なり、BEiTは224x224ピクセルの解像度で、自己教師付き学習方式で大量の画像コレクション、つまりImageNet-21kで事前学習されています。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、100万枚の画像と1,000クラスから構成されるデータセットであるImageNet（ILSVRC2012とも呼ばれる）で、224x224の解像度で教師付き学習方式でファインチューニングされました。

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）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することで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、下流タスクに有用な特徴を抽出するために使用できます。たとえば、ラベル付き画像のデータセットがある場合、事前学習されたエンコーダの上に線形層を配置して標準的な分類器を学習させることができます。通常、[CLS]トークンの上に線形層を配置します。このトークンの最後の隠れ状態は、画像全体の表現と見なすことができます。あるいは、パッチ埋め込みの最終隠れ状態を平均プーリングし、その上に線形層を配置することもできます。

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。

学習データ

BEiTモデルは、1400万枚の画像と21kクラスから構成されるデータセットである ImageNet-21k で事前学習され、100万枚の画像と1kクラスから構成されるデータセットである ImageNet 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 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では、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エントリと引用情報

@article{DBLP:journals/corr/abs-2106-08254,
  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}
}

@inproceedings{deng2009imagenet,
  title={Imagenet: A large-scale hierarchical image database},
  author={Deng, Jia and Dong, Wei and Socher, Richard and Li, Li-Jia and Li, Kai and Fei-Fei, Li},
  booktitle={2009 IEEE conference on computer vision and pattern recognition},
  pages={248--255},
  year={2009},
  organization={Ieee}
}

🔧 技術詳細

このセクションでは、具体的な技術詳細が提供されていないため、スキップします。

📄 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。