Vit Base Patch16 224

🚀 ONNX 轉換的 ViT（基礎大小模型）

本項目是 ViT-base 的 ONNX 轉換版本，帶有分類頭，可用於圖像分類任務。

🚀 快速開始

本項目的 Vision Transformer（ViT）模型在 ImageNet-21k（1400 萬張圖像，21843 個類別）上以 224x224 分辨率進行預訓練，並在 ImageNet 2012（100 萬張圖像，1000 個類別）上以相同分辨率進行微調。該模型由 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，權重是從 Ross Wightman 的 timm 倉庫 轉換而來，他已將權重從 JAX 轉換為 PyTorch，在此對他表示感謝。

需要注意的是，發佈 ViT 的團隊並未為此模型撰寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

• 基於 Vision Transformer（ViT）架構，在大規模圖像數據集上預訓練，具有強大的圖像特徵提取能力。
• 經過 ONNX 轉換，可在支持 ONNX 的推理引擎上高效運行。
• 適用於圖像分類任務，可對圖像進行準確的類別預測。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考相關依賴庫的官方文檔進行安裝，如 transformers、optimum 等。

💻 使用示例

基礎用法

以下是如何使用此模型將 COCO 2017 數據集中的圖像分類為 1000 個 ImageNet 類別之一的示例：

from transformers import AutoFeatureExtractor
from optimum.onnxruntime import ORTModelForImageClassification
from optimum.pipelines import pipeline

feature_extractor = AutoFeatureExtractor.from_pretrained("optimum/vit-base-patch16-224")
# Loading already converted and optimized ORT checkpoint for inference
model = ORTModelForImageClassification.from_pretrained("optimum/vit-base-patch16-224")

onnx_img_classif = pipeline(
    "image-classification", model=model, feature_extractor=feature_extractor
)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"

pred = onnx_img_classif(url)
print("Top-5 predicted classes:", pred)

📚 詳細文檔

模型描述

Vision Transformer（ViT）是一種基於 Transformer 編碼器的模型（類似 BERT），它在大規模圖像數據集 ImageNet-21k 上以 224x224 像素的分辨率進行有監督的預訓練。之後，該模型在 ImageNet（也稱為 ILSVRC2012）數據集上進行微調，該數據集包含 100 萬張圖像和 1000 個類別，分辨率同樣為 224x224。

圖像以固定大小的圖像塊序列（分辨率為 16x16）的形式輸入到模型中，並進行線性嵌入。同時，會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 編碼器的各層之前，還會添加絕對位置嵌入。

通過預訓練，模型學習到圖像的內部表示，可用於提取對下游任務有用的特徵。例如，如果有一個帶標籤的圖像數據集，可以在預訓練的編碼器之上放置一個線性層，訓練一個標準分類器。通常會在線性層放置在 [CLS] 標記之上，因為該標記的最後隱藏狀態可以看作是整個圖像的表示。

預期用途和侷限性

可以使用原始模型進行圖像分類。可在 模型中心 查找針對感興趣任務的微調版本。

🔧 技術細節

訓練數據

ViT 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 ImageNet 上進行微調，該數據集包含 100 萬張圖像和 1k 個類別。

訓練過程

預處理

訓練/驗證期間圖像預處理的具體細節可在 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

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 10k 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。訓練分辨率為 224。

評估結果

關於多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，在微調時，使用更高的分辨率（384x384）可獲得最佳結果。當然，增加模型大小也會提高性能。

📄 許可證

本項目採用 Apache-2.0 許可證。

BibTeX 條目和引用信息

@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}
}