Vit Huge Patch14 224 In21k

🚀 視覺變換器（超大模型）

視覺變換器（ViT）是一種預訓練模型，它在 ImageNet - 21k（包含 1400 萬張圖像、21843 個類別）數據集上進行訓練，圖像分辨率為 224x224。該模型由 Dosovitskiy 等人在論文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 中提出，並首次在 此倉庫 發佈。不過，模型權重由 Ross Wightman 從 timm 倉庫 轉換而來，他將權重從 JAX 轉換為 PyTorch，在此對他表示感謝。

聲明：發佈 ViT 的團隊並未為此模型編寫模型卡片，此卡片由 Hugging Face 團隊編寫。

🚀 快速開始

視覺變換器（ViT）是一種基於 Transformer 編碼器的模型（類似 BERT），它以有監督的方式在大量圖像（即 ImageNet - 21k）上進行預訓練，圖像分辨率為 224x224 像素。

✨ 主要特性

• 以有監督的方式在 ImageNet - 21k 大規模圖像數據集上進行預訓練。
• 模型將圖像分割為固定大小的圖像塊（分辨率 16x16）進行線性嵌入處理。
• 模型包含預訓練的池化器，可用於下游任務。

📦 安裝指南

文檔未提及安裝步驟，可參考相關庫（如 transformers）的官方安裝說明進行安裝。

💻 使用示例

基礎用法

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-huge-patch14-224-in21k')
model = ViTModel.from_pretrained('google/vit-huge-patch14-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

高級用法

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

📚 詳細文檔

模型描述

視覺變換器（ViT）是一種基於 Transformer 編碼器的模型（類似 BERT），它以有監督的方式在大量圖像（即 ImageNet - 21k）上進行預訓練，圖像分辨率為 224x224 像素。

圖像以固定大小的圖像塊序列（分辨率 16x16）的形式輸入到模型中，並進行線性嵌入。同時，會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，還會添加絕對位置嵌入。

需要注意的是，此模型不提供任何微調後的頭部，因為這些頭部被谷歌研究人員置為零。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的基礎上添加一個線性層，訓練一個標準的分類器。通常會在 [CLS] 標記上添加一個線性層，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 查找針對你感興趣的任務進行微調後的版本。

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在 此處 找到。

圖像會被調整大小/縮放至相同的分辨率（224x224），並在 RGB 通道上進行歸一化處理，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。所有模型變體都使用 4096 的批量大小和 10000 步的學習率預熱進行訓練。對於 ImageNet 數據集，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，請參考原論文中的表 2 和表 5。需要注意的是，對於微調，在更高的分辨率（384x384）下可獲得最佳結果。當然，增大模型規模會提高性能。

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。