Beit Base Patch16 224

🚀 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224x224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モデルを使って画像分類を行うことができます。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) であり、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を用いて自己教師付き学習方式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、解像度224x224の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します。または、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。

💻 使用例

基本的な使用法

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-base-patch16-224')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-patch16-224')

inputs = processor(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) であり、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を用いて自己教師付き学習方式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、解像度224x224の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して画像の分類を行います。

学習データ

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チャンネル全体で平均 (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における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。なお、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。