Beit Base Patch16 384

🚀 BEiT (ベースサイズのモデル、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。

なお、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 モデルハブ で探すことができます。

✨ 主な機能

BEiTモデルは、Transformerエンコーダモデル（BERTライク）であるVision Transformer（ViT）です。元のViTモデルとは異なり、BEiTは自己教師付き学習方式で大量の画像コレクション（ImageNet-21k）を解像度224x224ピクセルで事前学習します。モデルの事前学習目標は、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、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）で教師付き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。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。通常は、[CLS]トークンの最終隠れ状態を画像全体の表現と見なして、その上に線形層を配置します。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インストールに関する具体的な手順が原ドキュメントに記載されていないため、省略します。

💻 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-base-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-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

意図された用途と制限

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 モデルハブ で探すことができます。

トレーニングデータ

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 で事前学習され、100万枚の画像と1kクラスからなる ImageNet でファインチューニングされました。

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 こちら 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

事前学習に関連するすべて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で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引用

@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。