Beit Large Patch16 224 Pt22k Ft22k

🚀 BEiT（大型模型，在ImageNet-22k上微调）

BEiT模型以自监督的方式在ImageNet-22k（也称为ImageNet-21k，包含1400万张图像、21841个类别）上进行预训练，分辨率为224x224，并在相同数据集上以224x224的分辨率进行微调。该模型由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre-Training of Image Transformers中提出，并首次在此仓库发布。

⚠️ 重要提示 本模型的原团队未撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

• BEiT模型是一种视觉Transformer（ViT），属于Transformer编码器模型（类似BERT）。与原始ViT模型不同，BEiT以自监督的方式在大量图像（即ImageNet-21k）上进行预训练，分辨率为224x224像素。
• 模型的预训练目标是基于掩码补丁，从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。
• 该模型在ImageNet（也称为ILSVRC2012，包含100万张图像和1000个类别）上以监督的方式进行微调，分辨率同样为224x224。
• 图像以固定大小的补丁序列（分辨率为16x16）呈现给模型，并进行线性嵌入。与原始ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5）而非绝对位置嵌入，并通过对补丁的最终隐藏状态进行平均池化来进行图像分类，而非在[CLS]标记的最终隐藏状态上放置线性层。
• 通过预训练，模型学习到图像的内部表示，可用于提取对下游任务有用的特征。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

以下是如何使用该模型将COCO 2017数据集中的图像分类为1000个ImageNet类别的示例：

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

# model predicts one of the 21,841 ImageNet-22k classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型均支持PyTorch。

📚 详细文档

训练数据

BEiT模型在ImageNet-21k上进行预训练，该数据集包含1400万张图像和21k个类别，并在相同数据集上进行微调。

训练过程

预处理

训练/验证期间图像预处理的确切细节可在此处找到。 图像被调整大小/重新缩放至相同分辨率（224x224），并在RGB通道上使用均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

所有与预训练相关的超参数，请参考原论文的第15页。

评估结果

关于几个图像分类基准的评估结果，请参考原论文的表1和表2。请注意，对于微调，在更高分辨率下可获得最佳结果。当然，增加模型大小会提高性能。

引用信息

@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}
}

📄 许可证

本项目采用Apache-2.0许可证。