Beit Large Patch16 384

🚀 BEiT（大型模型，在ImageNet-1k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384x384的ImageNet 2012（100萬張圖像，1000個類別）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 BEiT模型的發佈團隊並未為此模型編寫模型卡片，本模型卡片由Hugging Face團隊編寫。

✨ 主要特性

• 自監督預訓練：BEiT模型在大規模圖像集ImageNet - 21k上進行自監督預訓練，學習圖像的內在表示。
• 微調適配：在ImageNet 2012上進行監督式微調，可用於圖像分類任務。
• 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，而非絕對位置嵌入。
• 特徵提取：預訓練後的模型可用於提取圖像特徵，適用於下游任務。

📚 詳細文檔

模型描述

BEiT模型是一種視覺Transformer（ViT），屬於Transformer編碼器模型（類似BERT）。與原始ViT模型不同，BEiT以自監督的方式在大量圖像（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塊，從OpenAI的DALL - E的VQ - VAE編碼器中預測視覺標記。

隨後，該模型在ImageNet（也稱為ILSVRC2012）上進行監督式微調，ImageNet是一個包含100萬張圖像和1000個類別的數據集，分辨率同樣為224x224。

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。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，並通過對塊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，如果您有一個帶標籤的圖像數據集，可以在預訓練編碼器上放置一個線性層來訓練標準分類器。通常會在[CLS]標記上放置一個線性層，因為該標記的最後隱藏狀態可以看作是整個圖像的表示。或者，也可以對塊嵌入的最終隱藏狀態進行平均池化，並在其上放置線性層。

預期用途與限制

您可以使用原始模型進行圖像分類。請參閱模型中心，查找針對您感興趣的任務進行微調的版本。

💻 使用示例

基礎用法

以下是如何使用該模型將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 BeitFeatureExtractor, BeitForImageClassification
from PIL import Image
import requests
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-384')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型預測1000個ImageNet類別之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特徵提取器和模型都支持PyTorch。

🔧 技術細節

訓練數據

BEiT模型在ImageNet - 21k上進行預訓練，該數據集由1400萬張圖像和21k個類別組成，並在ImageNet上進行微調，該數據集由100萬張圖像和1k個類別組成。

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/縮放至相同分辨率（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

有關所有預訓練相關的超參數，請參考原論文的第15頁。

評估結果

有關多個圖像分類基準的評估結果，請參考原論文的表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。

引用信息

@article{DBLP:journals/corr/abs-2106-08254,
  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}
}

@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

本模型採用Apache - 2.0許可證。