Deit Tiny Distilled Patch16 224

🚀 蒸餾數據高效圖像變換器（微型模型）

本項目是一個用於圖像分類的模型。該模型在 ImageNet-1k 數據集上進行預訓練和微調，能有效對圖像進行分類，為圖像分類任務提供了高效的解決方案。

🚀 快速開始

蒸餾數據高效圖像變換器（DeiT）模型在 ImageNet-1k（100 萬張圖像，1000 個類別）上以 224x224 的分辨率進行了預訓練和微調。它最早由 Touvron 等人在論文 Training data-efficient image transformers & distillation through attention 中提出，並首次在 此倉庫 發佈。不過，其權重是由 Ross Wightman 從 timm 倉庫 轉換而來。

免責聲明：發佈 DeiT 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

• 蒸餾機制：該模型是一個蒸餾視覺變換器（ViT），除了類別標記外，還使用了一個蒸餾標記，以便在預訓練和微調過程中有效地從教師模型（CNN）中學習。蒸餾標記通過反向傳播學習，通過自注意力層與類別（[CLS]）和補丁標記進行交互。
• 圖像輸入處理：圖像以固定大小的補丁序列（分辨率 16x16）呈現給模型，並進行線性嵌入。

📦 安裝指南

文檔未提及安裝步驟，可參考相關依賴庫（如 transformers）的官方安裝說明進行安裝。

💻 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, DeiTForImageClassificationWithTeacher
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 = AutoFeatureExtractor.from_pretrained('facebook/deit-tiny-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-tiny-distilled-patch16-224')
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。Tensorflow 和 JAX/FLAX 即將支持。

📚 詳細文檔

預期用途和限制

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

訓練數據

該模型在 ImageNet-1k 上進行了預訓練和蒸餾微調，這是一個由 100 萬張圖像和 1000 個類別組成的數據集。

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。

在推理時，圖像會被調整/縮放為相同的分辨率（256x256），在 224x224 處進行中心裁剪，並使用 ImageNet 的均值和標準差在 RGB 通道上進行歸一化。

預訓練

該模型在單個 8-GPU 節點上訓練了 3 天。訓練分辨率為 224。關於所有超參數（如批量大小和學習率），請參考原始論文的表 9。

評估結果

請注意，對於微調，使用更高的分辨率（384x384）可獲得最佳結果。當然，增加模型大小會帶來更好的性能。

BibTeX 引用和引用信息

@misc{touvron2021training,
      title={Training data-efficient image transformers & distillation through attention}, 
      author={Hugo Touvron and Matthieu Cord and Matthijs Douze and Francisco Massa and Alexandre Sablayrolles and Hervé Jégou},
      year={2021},
      eprint={2012.12877},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@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}
}

📄 許可證

本項目採用 Apache-2.0 許可證。