Vit Base Patch16 384

🚀 視覺變換器（基礎大小模型）

視覺變換器（ViT）是一種基於Transformer架構的圖像識別模型，它先在大規模圖像數據集上預訓練，學習圖像的通用特徵，再在特定任務數據集上微調，以適應具體的圖像分類任務。

🚀 快速開始

視覺變換器（ViT）是一個類似BERT的Transformer編碼器模型，它在大規模圖像集（如ImageNet - 21k）上進行有監督預訓練，然後在ImageNet（ILSVRC2012）數據集上進行微調。以下是使用該模型對COCO 2017數據集中的圖像進行分類的示例代碼：

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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-384')
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("預測類別:", 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，並且ViTFeatureExtractor的API可能會發生變化。

✨ 主要特性

• 預訓練與微調：先在ImageNet - 21k（1400萬張圖像，21843個類別）上以224x224分辨率進行預訓練，再在ImageNet 2012（100萬張圖像，1000個類別）上以384x384分辨率進行微調。
• 圖像輸入處理：將圖像分割成固定大小的圖像塊（16x16分辨率），進行線性嵌入，並添加[CLS]標記用於分類任務，同時添加絕對位置嵌入。
• 特徵提取與下游任務：通過預訓練學習圖像的內部表示，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。

📚 詳細文檔

模型描述

視覺變換器（ViT）是一個類似BERT的Transformer編碼器模型，它在大規模圖像集（ImageNet - 21k）上以224x224像素分辨率進行有監督預訓練。然後，該模型在包含100萬張圖像和1000個類別的ImageNet（也稱為ILSVRC2012）數據集上以384x384的更高分辨率進行微調。

圖像以固定大小的圖像塊序列（分辨率16x16）的形式輸入到模型中，並進行線性嵌入。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，如果有一個帶標籤的圖像數據集，可以在預訓練編碼器上添加一個線性層來訓練一個標準分類器。通常在[CLS]標記上添加線性層，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

可以使用原始模型進行圖像分類。可以在模型中心查找針對感興趣任務的微調版本。

📦 安裝指南

文檔中未提及具體安裝步驟，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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-384')
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("預測類別:", model.config.id2label[predicted_class_idx])

🔧 技術細節

訓練數據

ViT模型在ImageNet - 21k數據集上進行預訓練，該數據集包含1400萬張圖像和21000個類別；然後在ImageNet數據集上進行微調，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以在這裡找到。

圖像被調整大小/重新縮放為相同的分辨率（預訓練時為224x224，微調時為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

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10000步的學習率熱身進行訓練。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。

📄 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}
}