Vit Large Patch32 384

🚀 視覺變換器（大型模型）

視覺變換器（ViT）是一種基於Transformer架構的圖像識別模型，它在大規模圖像數據上進行預訓練，學習圖像的內在表示，可用於圖像分類等下游任務。

🚀 快速開始

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

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類之一的示例：

from transformers import ViTFeatureExtractor, 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 = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch32-384')
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即將支持，並且ViTFeatureExtractor的API可能會發生變化。

✨ 主要特性

• 視覺變換器（ViT）是一個類似BERT的Transformer編碼器模型，在大規模圖像集（如ImageNet - 21k）上進行有監督預訓練，然後在ImageNet上進行微調。
• 圖像被分割成固定大小的塊（32x32），線性嵌入後添加[CLS]標記用於分類任務，並添加絕對位置嵌入。
• 預訓練後的模型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，例如在預訓練編碼器上添加線性層訓練標準分類器。

📦 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 ViTFeatureExtractor, 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 = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch32-384')
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])

📚 詳細文檔

模型描述

視覺變換器（ViT）是一個Transformer編碼器模型（類似BERT），以監督方式在大量圖像集（即ImageNet - 21k）上進行預訓練，分辨率為224x224像素。然後，該模型在ImageNet（也稱為ILSVRC2012）上進行微調，這是一個包含100萬張圖像和1000個類別的數據集，分辨率為384x384。

圖像以固定大小的塊序列（分辨率32x32）的形式呈現給模型，並進行線性嵌入。還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編碼器層之前，還會添加絕對位置嵌入。

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。

預期用途和限制

你可以使用此原始模型進行圖像分類。可在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 - 21k上進行預訓練，這是一個包含1400萬張圖像和21k個類別的數據集，並在ImageNet上進行微調，這是一個包含100萬張圖像和1k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在此處找到。

圖像被調整大小/縮放為相同的分辨率（預訓練期間為224x224，微調期間為384x384），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

該模型在TPUv3硬件（8核）上進行訓練。所有模型變體都以4096的批量大小和10k步的學習率預熱進行訓練。對於ImageNet，作者發現額外應用全局範數為1的梯度裁剪是有益的。預訓練分辨率為224。

評估結果

關於幾個圖像分類基準的評估結果，請參考原論文的表2和表5。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。

🔧 技術細節

文檔中關於技術細節的描述分散在多個部分，主要涉及模型架構（Transformer編碼器、圖像分塊、添加[CLS]標記和位置嵌入）、訓練數據（ImageNet - 21k和ImageNet）、訓練過程（預處理、預訓練的硬件、批量大小、學習率預熱、梯度裁剪等）。

📄 許可證

本項目採用Apache - 2.0許可證。

BibTeX引用和引用信息

@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}
}