Beit Large Patch16 224 Pt22k Ft22k

🚀 BEiT (大規模モデル、ImageNet-22kでファインチューニング済み)

BEiTモデルは、解像度224x224のImageNet-22k（別名ImageNet-21k、1400万枚の画像、21,841クラス）で自己教師付き学習により事前学習され、同じデータセットで解像度224x224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モデルを使って画像分類を行う基本的な手順を説明します。以下のコードは、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を示しています。

from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = BeitImageProcessor.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')

inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# モデルは21,841のImageNet-22kクラスのいずれかを予測します
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

• 事前学習: ImageNet-21kという大規模な画像データセットで自己教師付き学習により事前学習されています。
• ファインチューニング: ImageNet（ILSVRC2012）データセットで教師付き学習によりファインチューニングされています。
• 相対位置埋め込み: 元のViTモデルとは異なり、相対位置埋め込みを使用しています。
• 画像分類: 画像を固定サイズのパッチに分割し、それらの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分類を行います。

📚 ドキュメント

モデルの説明

BEiTモデルはVision Transformer（ViT）の一種で、Transformerエンコーダモデル（BERTライク）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、ImageNet-21kという大規模な画像コレクションで自己教師付き学習により事前学習されています。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ImageNet（ILSVRC2012とも呼ばれる）データセットで、同じ解像度224x224で教師付き学習により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入力され、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と同様）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、下流のタスクに役立つ特徴を抽出することができます。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することができます。通常、[CLS]トークンの最終隠れ状態は画像全体の表現と見なすことができるため、このトークンの上に線形層を配置することが一般的です。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、1400万枚の画像と21kクラスから構成される ImageNet-21k データセットで事前学習され、同じデータセット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に関しては、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}
}

📄 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。