Deit Small Distilled Patch16 224

🚀 蒸餾數據高效圖像變換器（小型模型）

Distilled data-efficient Image Transformer（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。它最初由Touvron等人在論文Training data-efficient image transformers & distillation through attention中提出，並首次在該倉庫發佈。不過，權重是由Ross Wightman從timm倉庫轉換而來。

免責聲明：發佈DeiT的團隊並未為該模型撰寫模型卡片，此模型卡片由Hugging Face團隊撰寫。

✨ 主要特性

• 該模型是一個蒸餾視覺變換器（ViT），除了類別令牌外，還使用蒸餾令牌，在預訓練和微調過程中能有效地從教師模型（CNN）中學習。
• 蒸餾令牌通過反向傳播學習，通過自注意力層與類別（[CLS]）和補丁令牌進行交互。
• 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

文檔未提及具體安裝步驟，跳過此章節。

💻 使用示例

基礎用法

由於該模型是蒸餾ViT模型，你可以將其插入DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher。請注意，模型期望使用DeiTFeatureExtractor來準備數據。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。

以下是如何使用該模型將COCO 2017數據集中的一張圖像分類為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-small-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-small-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

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

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

訓練過程

預處理

訓練/驗證期間圖像預處理的確切細節可以在此處找到。

推理時，圖像會被調整/重新縮放至相同的分辨率（256x256），中心裁剪為224x224，並在RGB通道上使用ImageNet的均值和標準差進行歸一化。

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。對於所有超參數（如批量大小和學習率），請參考原論文的表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。