Vit Base Patch16 224 In21k

🚀 視覺變換器（基礎尺寸模型）

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，學習到的圖像特徵可用於各種下游任務，如圖像分類。

🚀 快速開始

視覺變換器（ViT）模型在ImageNet - 21k（1400萬張圖像，21843個類別）上以224x224的分辨率進行了預訓練。它由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，權重是由Ross Wightman從 timm倉庫 轉換而來，他已經將權重從JAX轉換為PyTorch，功勞歸於他。

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

✨ 主要特性

• 基於Transformer架構：採用類似BERT的Transformer編碼器結構，用於處理圖像數據。
• 大規模預訓練：在ImageNet - 21k數據集上進行預訓練，學習到豐富的圖像特徵。
• 靈活的下游任務應用：可用於圖像分類等多種下游任務。

📦 安裝指南

文檔未提及安裝步驟，此部分跳過。

💻 使用示例

基礎用法

以下是在PyTorch中使用該模型的示例：

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-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

高級用法

以下是在JAX/Flax中使用該模型的示例：

from transformers import ViTImageProcessor, FlaxViTModel
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-patch16-224-in21k')
model = FlaxViTModel.from_pretrained('google/vit-base-patch16-224-in21k')

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

📚 詳細文檔

模型描述

視覺變換器（ViT）是一個類似BERT的Transformer編碼器模型，它以監督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。

圖像以固定大小的塊序列（分辨率16x16）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，還會添加絕對位置嵌入。

需要注意的是，該模型沒有提供任何微調後的頭部，因為這些被谷歌研究人員清零了。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）。

通過對模型進行預訓練，它可以學習到圖像的內部表示，這些表示可用於提取對下游任務有用的特徵。例如，如果您有一個帶標籤的圖像數據集，您可以在預訓練的編碼器之上放置一個線性層來訓練一個標準分類器。通常會在 [CLS] 標記之上放置一個線性層，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

您可以使用原始模型進行圖像分類。請查看 模型中心 以查找針對您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。

圖像會被調整大小/重新縮放至相同的分辨率（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

該模型在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

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。