🚀 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。