Deit Small Patch16 224

🚀 數據高效圖像變換器（小型模型）

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 分辨率進行了預訓練和微調。它最初由 Touvron 等人在論文 Training data - efficient image transformers & distillation through attention 中提出，並首次在 此倉庫 中發佈。不過，這些權重是由 Ross Wightman 從 [timm 倉庫](https://github.com/rwightman/pytorch - image - models) 轉換而來的。

免責聲明：發佈 DeiT 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

本模型可用於圖像分類任務。你可以在 模型中心 查找針對你感興趣任務的微調版本。

由於該模型是經過更高效訓練的 ViT 模型，你可以將其接入 ViTModel 或 ViTForImageClassification。注意，模型要求使用 DeiTFeatureExtractor 對數據進行預處理。這裡我們使用 AutoFeatureExtractor，它會根據模型名稱自動使用合適的特徵提取器。

以下是如何使用此模型將 COCO 2017 數據集中的圖像分類到 1000 個 ImageNet 類別之一的示例：

from transformers import AutoFeatureExtractor, ViTForImageClassification
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-small-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-small-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 支持即將推出。

✨ 主要特性

• 本模型實際上是一個訓練更高效的視覺變換器（ViT）。
• 視覺變換器（ViT）是一個類似 BERT 的變換器編碼器模型，在大量圖像（即 ImageNet - 1k）上以監督方式進行預訓練和微調，圖像分辨率為 224x224 像素。
• 圖像以固定大小的塊（分辨率 16x16）序列形式輸入模型，這些塊經過線性嵌入。同時，在序列開頭添加一個 [CLS] 標記用於分類任務。在將序列輸入變換器編碼器層之前，還會添加絕對位置嵌入。
• 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。例如，如果你有一個帶標籤的圖像數據集，可以在預訓練編碼器之上放置一個線性層來訓練一個標準分類器。通常會在線性層放置在 [CLS] 標記之上，因為該標記的最後隱藏狀態可視為整個圖像的表示。

📦 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

from transformers import AutoFeatureExtractor, ViTForImageClassification
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-small-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-small-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])

高級用法

文檔未提及高級用法代碼示例，故跳過此部分。

📚 詳細文檔

模型描述

本模型實際上是一個訓練更高效的視覺變換器（ViT）。

視覺變換器（ViT）是一個類似 BERT 的變換器編碼器模型，在大量圖像（即 ImageNet - 1k）上以監督方式進行預訓練和微調，圖像分辨率為 224x224 像素。

圖像以固定大小的塊（分辨率 16x16）序列形式輸入模型，這些塊經過線性嵌入。同時，在序列開頭添加一個 [CLS] 標記用於分類任務。在將序列輸入變換器編碼器層之前，還會添加絕對位置嵌入。

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。例如，如果你有一個帶標籤的圖像數據集，可以在預訓練編碼器之上放置一個線性層來訓練一個標準分類器。通常會在線性層放置在 [CLS] 標記之上，因為該標記的最後隱藏狀態可視為整個圖像的表示。

預期用途和限制

你可以使用原始模型進行圖像分類。可在 模型中心 查找針對你感興趣任務的微調版本。

訓練數據

ViT 模型在 ImageNet - 1k 上進行預訓練，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。

在推理時，圖像會被調整大小/縮放至相同分辨率（256x256），中心裁剪為 224x224，並使用 ImageNet 的均值和標準差在 RGB 通道上進行歸一化。

預訓練

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

評估結果

注意，對於微調，使用更高分辨率（384x384）可獲得最佳結果。當然，增加模型大小也會提高性能。

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}
}

🔧 技術細節

文檔未提供足夠技術實現細節（少於 50 字），故跳過此章節。

📄 許可證

本模型使用 Apache - 2.0 許可證。