Vit Base Patch16 224

🚀 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，它在大規模圖像數據集上進行預訓練，然後在特定任務上進行微調，能夠有效處理圖像分類等視覺任務。

🚀 快速開始

你可以使用以下代碼示例，將COCO 2017數據集中的圖像分類為1000個ImageNet類別之一：

from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('google/vit-base-patch16-224')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224')

inputs = processor(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])

更多代碼示例，請參考文檔。

✨ 主要特性

• 預訓練於大規模圖像數據集ImageNet-21k（1400萬張圖像，21843個類別），分辨率為224x224。
• 在ImageNet 2012（100萬張圖像，1000個類別）上進行微調，分辨率同樣為224x224。
• 採用Transformer編碼器架構，能夠學習圖像的內部表示，用於下游任務的特徵提取。

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('google/vit-base-patch16-224')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224')

inputs = processor(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])

高級用法

文檔未提及高級用法代碼示例，故跳過該部分。

📚 詳細文檔

模型描述

視覺變換器（ViT）是一種類似BERT的Transformer編碼器模型，以監督方式在大規模圖像集（即ImageNet-21k）上進行預訓練，分辨率為224x224像素。隨後，該模型在ImageNet（也稱為ILSVRC2012）數據集上進行微調，該數據集包含100萬張圖像和1000個類別，分辨率同樣為224x224。

圖像以固定大小的圖像塊序列（分辨率為16x16）的形式輸入到模型中，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，它可以學習到圖像的內部表示，這些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。請查看模型中心，尋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；並在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在此處找到。

圖像會被調整大小/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

模型在TPUv3硬件（8核）上進行訓練。所有模型變體均以4096的批量大小和10000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。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。

信息表格

🔧 技術細節

文檔中關於技術細節的描述已包含在詳細文檔部分，故此處不再重複。

📄 許可證

本模型採用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}
}

⚠️ 重要提示

發佈ViT的團隊並未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。