Beit Large Patch16 224 Pt22k Ft22k

🚀 BEiT（大型模型，在ImageNet-22k上微調）

BEiT模型以自監督的方式在ImageNet-22k（也稱為ImageNet-21k，包含1400萬張圖像、21841個類別）上進行預訓練，分辨率為224x224，並在相同數據集上以224x224的分辨率進行微調。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。

⚠️ 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。

✨ 主要特性

• 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。
• 模型的預訓練目標是基於掩碼補丁，從OpenAI的DALL-E的VQ-VAE編碼器中預測視覺標記。
• 該模型在ImageNet（也稱為ILSVRC2012，包含100萬張圖像和1000個類別）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）呈現給模型，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，而非在[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部表示，可用於提取對下游任務有用的特徵。

📦 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

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類別的示例：

from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = BeitImageProcessor.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')

inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# model predicts one of the 21,841 ImageNet-22k classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特徵提取器和模型均支持PyTorch。

📚 詳細文檔

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21k個類別，並在相同數據集上進行微調。

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。 圖像被調整大小/重新縮放至相同分辨率（224x224），並在RGB通道上使用均值（0.5, 0.5, 0.5）和標準差（0.5, 0.5, 0.5）進行歸一化。

預訓練

所有與預訓練相關的超參數，請參考原論文的第15頁。

評估結果

關於幾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，在更高分辨率下可獲得最佳結果。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

本項目採用Apache-2.0許可證。