Vit Base Patch16 224 In21k

🚀 视觉变换器（基础尺寸模型）

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，学习到的图像特征可用于各种下游任务，如图像分类。

🚀 快速开始

视觉变换器（ViT）模型在ImageNet - 21k（1400万张图像，21843个类别）上以224x224的分辨率进行了预训练。它由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，权重是由Ross Wightman从 timm仓库 转换而来，他已经将权重从JAX转换为PyTorch，功劳归于他。

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

✨ 主要特性

• 基于Transformer架构：采用类似BERT的Transformer编码器结构，用于处理图像数据。
• 大规模预训练：在ImageNet - 21k数据集上进行预训练，学习到丰富的图像特征。
• 灵活的下游任务应用：可用于图像分类等多种下游任务。

📦 安装指南

文档未提及安装步骤，此部分跳过。

💻 使用示例

基础用法

以下是在PyTorch中使用该模型的示例：

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-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

高级用法

以下是在JAX/Flax中使用该模型的示例：

from transformers import ViTImageProcessor, FlaxViTModel
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-patch16-224-in21k')
model = FlaxViTModel.from_pretrained('google/vit-base-patch16-224-in21k')

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

📚 详细文档

模型描述

视觉变换器（ViT）是一个类似BERT的Transformer编码器模型，它以监督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。

图像以固定大小的块序列（分辨率16x16）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，还会添加绝对位置嵌入。

需要注意的是，该模型没有提供任何微调后的头部，因为这些被谷歌研究人员清零了。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）。

通过对模型进行预训练，它可以学习到图像的内部表示，这些表示可用于提取对下游任务有用的特征。例如，如果您有一个带标签的图像数据集，您可以在预训练的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。

预期用途和限制

您可以使用原始模型进行图像分类。请查看 模型中心 以查找针对您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。

图像会被调整大小/重新缩放至相同的分辨率（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

该模型在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

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。