Beit Base Patch16 384

🚀 BEiT（基礎大小模型，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。

免責聲明：發佈BEiT的團隊並未為此模型編寫模型卡片，因此此模型卡片由Hugging Face團隊編寫。

🚀 快速開始

BEiT模型可用於圖像分類任務。你可以直接使用原始模型進行圖像分類，也可以在模型中心（model hub）查找針對你感興趣的任務進行微調的版本。

✨ 主要特性

• 自監督預訓練：BEiT模型在大規模圖像數據集ImageNet-21k上以自監督的方式進行預訓練，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。
• 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），而非絕對位置嵌入。
• 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，而非在[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模型不同，BEiT以自監督的方式在大量圖像（即ImageNet-21k）上進行預訓練，圖像分辨率為224x224像素。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，這是一個包含100萬張圖像和1000個類別的數據集，圖像分辨率同樣為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）而非絕對位置嵌入，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，如果你有一個標記圖像的數據集，可以在預訓練編碼器的基礎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，以查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在此處找到。

圖像被調整大小/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

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

💻 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-base-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-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，特徵提取器和模型均支持PyTorch。

🔧 技術細節

BibTeX引用

@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。