Beit Base Patch16 224 Pt22k

🚀 BEiT (base-sized model, pre-trained only)

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方式で事前学習されたモデルです。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。

✨ 主な機能

モデルの概要

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、自己教師付き学習方式で大量の画像コレクション（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。

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。

この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することができます。通常は、[CLS]トークンの最終隠れ状態は画像全体の表現と見なせるため、このトークン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。

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。関心のあるタスクで微調整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。

📦 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内容がありませんでしたので、スキップします。

💻 使用例

基本的な使用法

from transformers import BeitFeatureExtractor, BeitForMaskedImageModeling
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-patch16-224-pt22k')
model = BeitForMaskedImageModeling.from_pretrained('microsoft/beit-base-patch16-224-pt22k')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

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

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で事前学習されました。

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

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。微調整については、より高い解像度で最良の結果が得られます。もちろん、モデルサイズを増やすとパフォーマンスが向上します。

BibTeX引用

  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。