Vit Base Patch32 224 In21k

🚀 视觉变换器（基础规模模型）

视觉变换器（ViT）是一种基于Transformer架构的图像识别模型，它在大规模图像数据集上进行预训练，学习图像的内在表示，可用于提取对下游任务（如图像分类）有用的特征。

🚀 快速开始

视觉变换器（ViT）是一个基于Transformer编码器的模型（类似BERT），它以监督的方式在大量图像集合（即ImageNet - 21k）上进行预训练，图像分辨率为224x224像素。

# 使用示例代码保持不变
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('google/vit-base-patch32-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch32-224-in21k')

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

✨ 主要特性

• 该模型将图像作为固定大小的图像块序列（分辨率32x32）输入，这些图像块经过线性嵌入处理。
• 在序列开头添加[CLS]标记，用于分类任务。
• 在将序列输入到Transformer编码器层之前，添加绝对位置嵌入。
• 模型包含预训练的池化器，可用于下游任务，但不提供任何微调的头部。

📦 安装指南

文档未提及安装步骤，跳过该章节。

💻 使用示例

基础用法

# 使用示例代码保持不变
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('google/vit-base-patch32-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch32-224-in21k')

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

高级用法

参考文档以了解在TensorFlow和JAX/FLAX中的使用方法。

📚 详细文档

预期用途和限制

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

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。图像被调整大小/重新缩放为相同的分辨率（224x224），并在RGB通道上以均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

该模型在TPUv3硬件（8核）上进行训练。所有模型变体均以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

有关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。请注意，对于微调，在更高分辨率（384x384）下可获得最佳结果。当然，增加模型大小会带来更好的性能。

🔧 技术细节

视觉变换器（ViT）将图像分割成固定大小的图像块，对其进行线性嵌入，并添加位置嵌入，然后输入到Transformer编码器中。模型通过在大规模图像数据集上的预训练学习图像的特征表示，可用于下游的图像分类等任务。

📄 许可证

本项目采用Apache - 2.0许可证。

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}
}

信息表格