Beit Large Patch16 512

🚀 BEiT（大型模型，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512x512的ImageNet 2012（100萬張圖像，1000個類別）上進行微調。它由Hangbo Bao、Li Dong和Furu Wei在論文BEIT: BERT Pre-Training of Image Transformers中提出，並首次在此倉庫發佈。

⚠️ 重要提示 發佈BEiT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

BEiT模型可用於圖像分類任務。你可以使用原始模型進行圖像分類，也可以在模型中心查找針對你感興趣的任務進行微調後的版本。

✨ 主要特性

• 自監督預訓練：在大規模圖像數據集ImageNet-21k上進行自監督預訓練，學習圖像的內在表示。
• 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），而不是絕對位置嵌入。
• 多種分類方式：可以通過對補丁的最終隱藏狀態進行平均池化，或在[CLS]標記的最終隱藏狀態上放置線性層來進行圖像分類。

📚 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規模圖像數據集ImageNet-21k上進行預訓練，分辨率為224x224像素。模型的預訓練目標是基於掩碼補丁，從OpenAI的DALL-E的VQ-VAE編碼器中預測視覺標記。

接下來，模型在ImageNet（也稱為ILSVRC2012）上進行有監督的微調，該數據集包含100萬張圖像和1000個類別，分辨率同樣為224x224。

圖像以固定大小的補丁序列（分辨率為16x16）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），而不是絕對位置嵌入，並通過對補丁的最終隱藏狀態進行平均池化來進行圖像分類，而不是在[CLS]標記的最終隱藏狀態上放置線性層。

通過對模型進行預訓練，它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，如果你有一個帶標籤的圖像數據集，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，也可以對補丁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，查找針對你感興趣的任務進行微調後的版本。

💻 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-large-patch16-512')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-512')
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。

🔧 技術細節

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21k個類別，並在ImageNet上進行微調，該數據集包含100萬張圖像和1k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，對於微調，在較高分辨率（384x384）下可獲得最佳結果。當然，增加模型大小會提高性能。

引用信息

@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。