Beit Large Finetuned Ade 640 640

🚀 BEiT（大型模型，在ADE20k上微調）

BEiT模型以自監督的方式在分辨率為224x224的ImageNet - 21k（1400萬張圖像，21841個類別）上進行預訓練，並在分辨率為640x640的ADE20k（一個重要的圖像語義分割基準數據集）上進行微調。該模型由Hangbo Bao、Li Dong和Furu Wei在論文BEIT: BERT Pre - Training of Image Transformers中提出，並首次在此倉庫中發佈。

⚠️ 重要提示 本模型的原團隊未撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

🚀 快速開始

BEiT模型可用於圖像的語義分割任務。你可以在模型中心查找針對你感興趣任務的微調版本。

以下是使用該模型進行語義分割的示例代碼：

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# load ADE20k image
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height/4, width/4)
logits = outputs.logits

目前，特徵提取器和模型都支持PyTorch。

✨ 主要特性

• 自監督預訓練：在大規模圖像數據集ImageNet - 21k上進行自監督預訓練，學習圖像的內在表示。
• 微調能力強：可以在不同的下游任務數據集上進行微調，如在ADE20k上微調後在語義分割任務上取得SOTA結果。
• 相對位置嵌入：與原始的ViT模型不同，BEiT模型使用相對位置嵌入（類似於T5），而不是絕對位置嵌入。
• 特徵提取靈活：預訓練後的模型可以提取有用的特徵，用於各種下游任務，如語義分割。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# load ADE20k image
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height/4, width/4)
logits = outputs.logits

📚 詳細文檔

模型描述

BEiT模型是一種視覺Transformer（ViT），它是一種類似BERT的Transformer編碼器模型。與原始的ViT模型不同，BEiT以自監督的方式在大規模圖像集（即分辨率為224x224像素的ImageNet - 21k）上進行預訓練。該模型的預訓練目標是基於掩碼補丁預測OpenAI的DALL - E的VQ - VAE編碼器的視覺標記。

接下來，該模型在ImageNet（也稱為ILSVRC2012，包含100萬張圖像和1000個類別的數據集）上以監督的方式進行微調，分辨率同樣為224x224。

圖像以固定大小的補丁序列（分辨率為16x16）的形式呈現給模型，並進行線性嵌入。與原始的ViT模型不同，BEiT模型使用相對位置嵌入（類似於T5）而不是絕對位置嵌入，並且通過對補丁的最終隱藏狀態進行平均池化來進行圖像分類，而不是在[CLS]標記的最終隱藏狀態之上放置線性層。

通過對模型進行預訓練，它學習到圖像的內在表示，然後可用於提取對下游任務有用的特徵：例如，對於語義分割，可以添加mmseg庫中可用的解碼頭之一，並在帶註釋的圖像上以監督的方式微調模型。作者就是這樣做的：他們使用UperHead分割解碼頭對BEiT進行微調，使其在ADE20k和CityScapes等重要基準測試中取得了SOTA結果。

預期用途和侷限性

你可以使用原始模型進行圖像的語義分割。可在模型中心查找針對你感興趣任務的微調版本。

訓練數據

此BEiT模型在ImageNet - 21k上進行預訓練，該數據集包含1400萬張圖像和21k個類別；並在ADE20k上進行微調，該數據集包含數千張帶註釋的圖像和150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。

圖像被裁剪和填充到相同的分辨率（640x640），並在RGB通道上使用ImageNet的均值和標準差進行歸一化。

預訓練

有關所有預訓練相關的超參數，請參考原始論文的第15頁。

評估結果

有關在幾個圖像分類基準測試中的評估結果，請參考原始論文的表1和表2。請注意，對於微調，在較高分辨率（384x384）下可獲得最佳結果。當然，增加模型大小會提高性能。

🔧 技術細節

文檔中關於技術細節的描述已在“詳細文檔”部分體現，此處不再重複。

📄 許可證

本模型使用Apache - 2.0許可證。

BibTeX引用

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

信息表格