Vit Huge Patch14 224 In21k

🚀 视觉变换器（超大模型）

视觉变换器（ViT）是一种预训练模型，它在 ImageNet - 21k（包含 1400 万张图像、21843 个类别）数据集上进行训练，图像分辨率为 224x224。该模型由 Dosovitskiy 等人在论文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 中提出，并首次在 此仓库 发布。不过，模型权重由 Ross Wightman 从 timm 仓库 转换而来，他将权重从 JAX 转换为 PyTorch，在此对他表示感谢。

声明：发布 ViT 的团队并未为此模型编写模型卡片，此卡片由 Hugging Face 团队编写。

🚀 快速开始

视觉变换器（ViT）是一种基于 Transformer 编码器的模型（类似 BERT），它以有监督的方式在大量图像（即 ImageNet - 21k）上进行预训练，图像分辨率为 224x224 像素。

✨ 主要特性

• 以有监督的方式在 ImageNet - 21k 大规模图像数据集上进行预训练。
• 模型将图像分割为固定大小的图像块（分辨率 16x16）进行线性嵌入处理。
• 模型包含预训练的池化器，可用于下游任务。

📦 安装指南

文档未提及安装步骤，可参考相关库（如 transformers）的官方安装说明进行安装。

💻 使用示例

基础用法

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-huge-patch14-224-in21k')
model = ViTModel.from_pretrained('google/vit-huge-patch14-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

高级用法

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

📚 详细文档

模型描述

视觉变换器（ViT）是一种基于 Transformer 编码器的模型（类似 BERT），它以有监督的方式在大量图像（即 ImageNet - 21k）上进行预训练，图像分辨率为 224x224 像素。

图像以固定大小的图像块序列（分辨率 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，此模型不提供任何微调后的头部，因为这些头部被谷歌研究人员置为零。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的基础上添加一个线性层，训练一个标准的分类器。通常会在 [CLS] 标记上添加一个线性层，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 查找针对你感兴趣的任务进行微调后的版本。

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在 此处 找到。

图像会被调整大小/缩放至相同的分辨率（224x224），并在 RGB 通道上进行归一化处理，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。所有模型变体都使用 4096 的批量大小和 10000 步的学习率预热进行训练。对于 ImageNet 数据集，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，请参考原论文中的表 2 和表 5。需要注意的是，对于微调，在更高的分辨率（384x384）下可获得最佳结果。当然，增大模型规模会提高性能。

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。