Dino Vitb16

🚀 视觉变换器（基础大小模型，补丁大小16），使用DINO方法训练

本项目是使用DINO方法训练的视觉变换器（ViT）模型。该模型在论文 自监督视觉变换器中的新兴特性 中被提出，论文作者包括Mathilde Caron、Hugo Touvron、Ishan Misra、Hervé Jégou、Julien Mairal、Piotr Bojanowski、Armand Joulin，模型最初在 此仓库 中发布。

声明：发布DINO的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

• 基于Transformer架构，在大规模图像数据集上进行自监督预训练。
• 可用于图像分类等下游任务，通过在预训练编码器上添加线性层即可训练标准分类器。

📚 详细文档

模型描述

视觉变换器（ViT）是一种类似BERT的Transformer编码器模型，它以自监督的方式在大量图像（即ImageNet - 1k）上进行预训练，图像分辨率为224x224像素。

图像以固定大小的补丁序列（分辨率为16x16）的形式输入到模型中，并进行线性嵌入。同时，会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，还会添加绝对位置嵌入。

需要注意的是，此模型不包含任何微调后的头部。

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，如果你有一个带标签的图像数据集，可以在预训练编码器之上放置一个线性层来训练一个标准分类器。通常会在 [CLS] 标记之上放置一个线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。

预期用途和局限性

你可以使用原始模型进行图像分类。可以访问 模型中心 查找针对你感兴趣的任务进行微调的版本。

💻 使用示例

基础用法

from transformers import ViTImageProcessor, ViTModel
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('facebook/dino-vitb16')
model = ViTModel.from_pretrained('facebook/dino-vitb16')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

📄 许可证

本项目采用Apache - 2.0许可证。

📚 引用信息

@article{DBLP:journals/corr/abs-2104-14294,
  author    = {Mathilde Caron and
               Hugo Touvron and
               Ishan Misra and
               Herv{\'{e}} J{\'{e}}gou and
               Julien Mairal and
               Piotr Bojanowski and
               Armand Joulin},
  title     = {Emerging Properties in Self-Supervised Vision Transformers},
  journal   = {CoRR},
  volume    = {abs/2104.14294},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.14294},
  archivePrefix = {arXiv},
  eprint    = {2104.14294},
  timestamp = {Tue, 04 May 2021 15:12:43 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-14294.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📦 模型信息