Vit Large Patch32 224 In21k

🚀 視覺變換器（大型模型）

視覺變換器（ViT）是一種基於Transformer架構的模型，它在大規模圖像數據集上進行預訓練，能夠學習到圖像的內在特徵表示，可用於圖像分類等下游任務，為計算機視覺領域提供了強大的工具。

🚀 快速開始

視覺變換器（ViT）是一種類似BERT的Transformer編碼器模型，它在大規模圖像數據集ImageNet - 21k上以224x224像素的分辨率進行有監督的預訓練。以下是使用該模型的示例代碼：

from transformers import ViTFeatureExtractor, ViTModel
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 = ViTFeatureExtractor.from_pretrained('google/vit-base-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

目前，特徵提取器和模型都支持PyTorch。Tensorflow和JAX/FLAX即將支持，並且ViTFeatureExtractor的API可能會發生變化。

✨ 主要特性

• 該模型在ImageNet - 21k（包含1400萬張圖像、21843個類別）上以224x224的分辨率進行預訓練，學習到了豐富的圖像特徵表示。
• 圖像被分割成固定大小的塊（32x32分辨率）並進行線性嵌入，同時添加[CLS]標記用於分類任務，還添加了絕對位置嵌入。
• 模型包含預訓練的池化器，可用於下游任務，但不提供微調的頭部。
• 通過預訓練，模型學習到的圖像內部表示可用於提取對下游任務有用的特徵，例如在預訓練編碼器上添加線性層來訓練標準分類器。

📚 詳細文檔

模型描述

視覺變換器（ViT）是一種Transformer編碼器模型（類似BERT），它在大規模圖像集ImageNet - 21k上以224x224像素的分辨率進行有監督的預訓練。圖像以固定大小的塊（分辨率32x32）序列的形式輸入到模型中，並進行線性嵌入。在序列開頭添加一個[CLS]標記用於分類任務，在將序列輸入到Transformer編碼器層之前還添加了絕對位置嵌入。需要注意的是，該模型不提供任何微調的頭部，因為谷歌研究人員將其置零。不過，模型包含預訓練的池化器，可用於下游任務（如圖像分類）。通過預訓練，模型學習到圖像的內部表示，可用於提取對下游任務有用的特徵。例如，如果有一個帶標籤的圖像數據集，可以在預訓練編碼器上添加一個線性層來訓練標準分類器，通常會在[CLS]標記上添加線性層，因為該標記的最後隱藏狀態可以看作是整個圖像的表示。

預期用途和限制

可以使用原始模型進行圖像分類。可以在模型中心查找針對感興趣任務的微調版本。

訓練數據

ViT模型在ImageNet - 21k數據集上進行預訓練，該數據集包含1400萬張圖像和21000個類別。

訓練過程

預處理

訓練/驗證期間圖像預處理的確切細節可以在這裡找到。圖像被調整大小/縮放為相同的分辨率（224x224），並在RGB通道上進行歸一化，均值為(0.5, 0.5, 0.5)，標準差為(0.5, 0.5, 0.5)。

預訓練

模型在TPUv3硬件（8核）上進行訓練。所有模型變體都以4096的批量大小和10000步的學習率預熱進行訓練。對於ImageNet，作者發現額外應用全局範數為1的梯度裁剪是有益的。預訓練分辨率為224。

評估結果

關於幾個圖像分類基準的評估結果，請參考原論文的表2和表5。需要注意的是，對於微調，在更高的分辨率（384x384）下可以獲得最佳結果。當然，增加模型大小會提高性能。

BibTeX引用和引用信息

@misc{wu2020visual,
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision}, 
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},
      year={2020},
      eprint={2006.03677},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@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}
}

📄 許可證

本項目採用Apache - 2.0許可證。