Beit Large Patch16 224

🚀 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，然後在分辨率為224x224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。

免責聲明：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模型可用於圖像分類任務。你可以使用下面的代碼示例，將COCO 2017數據集中的圖像分類到1000個ImageNet類別中。

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-patch16-224')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-224')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
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。

✨ 主要特性

• 自監督預訓練：BEiT模型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。
• 平均池化分類：通過對圖像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。

📚 詳細文檔

模型描述

BEiT模型是一種視覺變換器（ViT），它是一種類似於BERT的變換器編碼器模型。與原始的ViT模型相比，BEiT以自監督的方式在大規模圖像集合（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圖像塊，從OpenAI的DALL - E的VQ - VAE編碼器中預測視覺標記。

接下來，該模型在ImageNet（也稱為ILSVRC2012）上進行有監督的微調，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。

圖像以固定大小的圖像塊序列（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，並通過對圖像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，如果你有一個帶標籤的圖像數據集，可以在預訓練的編碼器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，也可以對圖像塊嵌入的最終隱藏狀態進行平均池化，並在其上放置一個線性層。

預期用途和限制

你可以使用原始模型進行圖像分類。請查看模型中心，尋找針對你感興趣的任務進行微調的版本。

訓練數據

BEiT模型在ImageNet - 21k上進行預訓練，該數據集包含1400萬張圖像和21000個類別；並在ImageNet上進行微調，該數據集包含100萬張圖像和1000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以在此處找到。

圖像被調整大小/重新縮放為相同的分辨率（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

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

有關多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，在更高分辨率（384x384）下可以獲得最佳結果。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

本項目採用Apache - 2.0許可證。

📦 信息表格