Vit Base Patch32 224 In21k

🚀 視覺變換器（基礎規模模型）

視覺變換器（ViT）是一種基於Transformer架構的圖像識別模型，它在大規模圖像數據集上進行預訓練，學習圖像的內在表示，可用於提取對下游任務（如圖像分類）有用的特徵。

🚀 快速開始

視覺變換器（ViT）是一個基於Transformer編碼器的模型（類似BERT），它以監督的方式在大量圖像集合（即ImageNet - 21k）上進行預訓練，圖像分辨率為224x224像素。

# 使用示例代碼保持不變
from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('google/vit-base-patch32-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch32-224-in21k')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

✨ 主要特性

• 該模型將圖像作為固定大小的圖像塊序列（分辨率32x32）輸入，這些圖像塊經過線性嵌入處理。
• 在序列開頭添加[CLS]標記，用於分類任務。
• 在將序列輸入到Transformer編碼器層之前，添加絕對位置嵌入。
• 模型包含預訓練的池化器，可用於下游任務，但不提供任何微調的頭部。

📦 安裝指南

文檔未提及安裝步驟，跳過該章節。

💻 使用示例

基礎用法

# 使用示例代碼保持不變
from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('google/vit-base-patch32-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch32-224-in21k')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

高級用法

參考文檔以瞭解在TensorFlow和JAX/FLAX中的使用方法。

📚 詳細文檔

預期用途和限制

可以使用原始模型進行圖像分類。請參閱模型中心，查找針對你感興趣的任務進行微調的版本。

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。圖像被調整大小/重新縮放為相同的分辨率（224x224），並在RGB通道上以均值（0.5, 0.5, 0.5）和標準差（0.5, 0.5, 0.5）進行歸一化。

預訓練

該模型在TPUv3硬件（8核）上進行訓練。所有模型變體均以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

有關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。請注意，對於微調，在更高分辨率（384x384）下可獲得最佳結果。當然，增加模型大小會帶來更好的性能。

🔧 技術細節

視覺變換器（ViT）將圖像分割成固定大小的圖像塊，對其進行線性嵌入，並添加位置嵌入，然後輸入到Transformer編碼器中。模型通過在大規模圖像數據集上的預訓練學習圖像的特徵表示，可用於下游的圖像分類等任務。

📄 許可證

本項目採用Apache - 2.0許可證。

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}
}

信息表格