🚀 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。
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
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
屬性 |
詳情 |
模型類型 |
視覺變換器(基礎規模模型) |
訓練數據 |
ImageNet - 21k(包含1400萬張圖像和21000個類別) |