Vit Large Patch32 224 In21k

🚀 视觉变换器（大型模型）

视觉变换器（ViT）是一种基于Transformer架构的模型，它在大规模图像数据集上进行预训练，能够学习到图像的内在特征表示，可用于图像分类等下游任务，为计算机视觉领域提供了强大的工具。

🚀 快速开始

视觉变换器（ViT）是一种类似BERT的Transformer编码器模型，它在大规模图像数据集ImageNet - 21k上以224x224像素的分辨率进行有监督的预训练。以下是使用该模型的示例代码：

from transformers import ViTFeatureExtractor, ViTModel
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-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

目前，特征提取器和模型都支持PyTorch。Tensorflow和JAX/FLAX即将支持，并且ViTFeatureExtractor的API可能会发生变化。

✨ 主要特性

• 该模型在ImageNet - 21k（包含1400万张图像、21843个类别）上以224x224的分辨率进行预训练，学习到了丰富的图像特征表示。
• 图像被分割成固定大小的块（32x32分辨率）并进行线性嵌入，同时添加[CLS]标记用于分类任务，还添加了绝对位置嵌入。
• 模型包含预训练的池化器，可用于下游任务，但不提供微调的头部。
• 通过预训练，模型学习到的图像内部表示可用于提取对下游任务有用的特征，例如在预训练编码器上添加线性层来训练标准分类器。

📚 详细文档

模型描述

视觉变换器（ViT）是一种Transformer编码器模型（类似BERT），它在大规模图像集ImageNet - 21k上以224x224像素的分辨率进行有监督的预训练。图像以固定大小的块（分辨率32x32）序列的形式输入到模型中，并进行线性嵌入。在序列开头添加一个[CLS]标记用于分类任务，在将序列输入到Transformer编码器层之前还添加了绝对位置嵌入。需要注意的是，该模型不提供任何微调的头部，因为谷歌研究人员将其置零。不过，模型包含预训练的池化器，可用于下游任务（如图像分类）。通过预训练，模型学习到图像的内部表示，可用于提取对下游任务有用的特征。例如，如果有一个带标签的图像数据集，可以在预训练编码器上添加一个线性层来训练标准分类器，通常会在[CLS]标记上添加线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。

预期用途和限制

可以使用原始模型进行图像分类。可以在模型中心查找针对感兴趣任务的微调版本。

训练数据

ViT模型在ImageNet - 21k数据集上进行预训练，该数据集包含1400万张图像和21000个类别。

训练过程

预处理

训练/验证期间图像预处理的确切细节可以在这里找到。图像被调整大小/缩放为相同的分辨率（224x224），并在RGB通道上进行归一化，均值为(0.5, 0.5, 0.5)，标准差为(0.5, 0.5, 0.5)。

预训练

模型在TPUv3硬件（8核）上进行训练。所有模型变体都以4096的批量大小和10000步的学习率预热进行训练。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪是有益的。预训练分辨率为224。

评估结果

关于几个图像分类基准的评估结果，请参考原论文的表2和表5。需要注意的是，对于微调，在更高的分辨率（384x384）下可以获得最佳结果。当然，增加模型大小会提高性能。

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}
}

📄 许可证

本项目采用Apache - 2.0许可证。