Deit Base Patch16 224

🚀 數據高效圖像變換器（基礎尺寸模型）

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。該模型最早由 Touvron 等人在論文 Training data-efficient image transformers & distillation through attention 中提出，並首次在 此倉庫 中發佈。不過，其權重是從 Ross Wightman 的 timm 倉庫 轉換而來的。

⚠️ 重要提示 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 團隊撰寫。

🚀 快速開始

你可以使用該原始模型進行圖像分類。前往 模型中心 查找針對你感興趣的任務進行微調的版本。

由於此模型是一個訓練效率更高的 ViT 模型，你可以將其插入 ViTModel 或 ViTForImageClassification 中。請注意，該模型期望使用 DeiTFeatureExtractor 來處理數據。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。

以下是如何使用此模型將 COCO 2017 數據集中的一張圖像分類到 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-base-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-patch16-224')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特徵提取器和模型都支持 PyTorch。Tensorflow 和 JAX/FLAX 版本即將推出。

✨ 主要特性

• 此模型實際上是一個訓練效率更高的視覺變換器（ViT）。
• 能夠學習圖像的內部表示，可用於提取對下游任務有用的特徵。

📚 詳細文檔

模型描述

視覺變換器（ViT）是一個基於 Transformer 編碼器的模型（類似 BERT），它在大量圖像集（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序列（分辨率 16x16）的形式輸入到模型中，並進行線性嵌入。同時，會在序列開頭添加一個 [CLS] 標記，用於分類任務。在將序列輸入到 Transformer 編碼器的各層之前，還會添加絕對位置嵌入。

通過對模型進行預訓練，它可以學習到圖像的內部表示，進而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，你可以在預訓練的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 [CLS] 標記之上放置一個線性層，因為該標記的最後隱藏狀態可以看作是整個圖像的表示。

預期用途和限制

你可以使用該原始模型進行圖像分類。可前往 模型中心 查找針對你感興趣的任務進行微調的版本。

訓練數據

ViT 模型在 ImageNet - 1k 數據集上進行預訓練，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/縮放至相同的分辨率（256x256），然後進行中心裁剪至 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。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}
}

📄 許可證

本項目採用 Apache - 2.0 許可證。