🚀 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。