Deit Base Patch16 384

🚀 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 384x384 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，其權重是由 Ross Wightman 從 timm 倉庫 轉換而來。

聲明：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 團隊編寫。

🚀 快速開始

你可以使用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。

✨ 主要特性

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

📦 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 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-patch16-384')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-patch16-384')
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])

高級用法

文檔未提及高級用法相關代碼，故跳過此部分。

📚 詳細文檔

模型描述

視覺變換器（ViT）是一種類似於 BERT 的變換器編碼器模型，在 224 分辨率下進行預訓練，並在 384 分辨率下對大量圖像（即 ImageNet - 1k）進行有監督的微調。

圖像以固定大小的塊（分辨率 16x16）序列的形式呈現給模型，並進行線性嵌入。同時，在序列開頭添加一個 [CLS] 標記，用於分類任務。在將序列輸入到變換器編碼器的各層之前，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在表示，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，可以在預訓練編碼器的基礎上添加一個線性層，訓練一個標準分類器。通常會在 [CLS] 標記上添加一個線性層，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 - 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/重新縮放至相同的分辨率（438x438），然後在 384x384 處進行中心裁剪，並使用 ImageNet 的均值和標準差在 RGB 通道上進行歸一化。

預訓練

該模型在單個 8 GPU 節點上訓練了 3 天。預訓練分辨率為 224。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

需要注意的是，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。