Beit Base Finetuned Ade 640 640

🚀 BEiT（基礎大小模型，在ADE20k上微調）

BEiT模型以自監督方式在分辨率為224x224的ImageNet - 21k（1400萬張圖像，21841個類別）上進行預訓練，然後在分辨率為640x640的 ADE20k（圖像語義分割的重要基準數據集）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 發佈。

聲明：發佈BEiT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。

🚀 快速開始

BEiT模型是一個視覺變換器（ViT），屬於類似BERT的變換器編碼器模型。與原始ViT模型不同，BEiT以自監督方式在大量圖像（即ImageNet - 21k）上進行預訓練，分辨率為224x224像素。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編碼器中的視覺標記。

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

✨ 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。
• 相對位置嵌入：與原始ViT模型不同，BEiT模型使用相對位置嵌入（類似於T5），而非絕對位置嵌入。
• 靈活的下游任務應用：預訓練後的模型可用於提取對下游任務有用的特徵，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")
image = Image.open(ds[0]['file'])

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

高級用法

文檔未提及高級用法代碼示例，故跳過此部分。

📚 詳細文檔

模型描述

BEiT模型是一種視覺變換器（ViT），是類似BERT的變換器編碼器模型。與原始ViT模型不同，BEiT以自監督方式在大量圖像（即ImageNet - 21k）上進行預訓練，分辨率為224x224像素。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編碼器中的視覺標記。

接著，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16x16）形式輸入模型，並進行線性嵌入。與原始ViT模型不同，BEiT模型使用相對位置嵌入（類似於T5），而非絕對位置嵌入，並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上放置線性層。

通過預訓練，模型學習到圖像的內在表示，可用於提取對下游任務有用的特徵。例如，對於語義分割任務，可以添加 mmseg庫 中的一個解碼頭，並在帶註釋的圖像上以監督方式微調模型。作者正是這樣做的：他們使用UperHead分割解碼頭對BEiT進行微調，使其在ADE20k和CityScapes等重要基準上取得了SOTA結果。

預期用途和侷限性

可以使用原始模型進行圖像的語義分割。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

此BEiT模型在 ImageNet - 21k（包含1400萬張圖像和21k個類別的數據集）上進行預訓練，並在 ADE20k（包含數千張帶註釋圖像和150個類別的數據集）上進行微調。

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。

圖像被裁剪並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

有關幾個圖像分類基準的評估結果，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，增加模型大小會帶來更好的性能。

BibTeX引用和引用信息

  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}
}

🔧 技術細節

模型架構

BEiT是一種視覺變換器（ViT），基於變換器編碼器架構。它使用相對位置嵌入，通過對補丁的最終隱藏狀態進行平均池化進行圖像分類。

預訓練目標

預訓練目標是基於掩碼補丁預測OpenAI的DALL - E的VQ - VAE編碼器中的視覺標記。

微調策略

在ImageNet和ADE20k等數據集上進行監督式微調，使用UperHead分割解碼頭在語義分割任務上取得了SOTA結果。

📄 許可證

本模型使用Apache - 2.0許可證。