Beit Large Finetuned Ade 640 640

🚀 BEiT（大型模型，在ADE20k上微调）

BEiT模型以自监督的方式在分辨率为224x224的ImageNet - 21k（1400万张图像，21841个类别）上进行预训练，并在分辨率为640x640的ADE20k（一个重要的图像语义分割基准数据集）上进行微调。该模型由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre - Training of Image Transformers中提出，并首次在此仓库中发布。

⚠️ 重要提示 本模型的原团队未撰写模型卡片，此模型卡片由Hugging Face团队编写。

🚀 快速开始

BEiT模型可用于图像的语义分割任务。你可以在模型中心查找针对你感兴趣任务的微调版本。

以下是使用该模型进行语义分割的示例代码：

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# load ADE20k image
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height/4, width/4)
logits = outputs.logits

目前，特征提取器和模型都支持PyTorch。

✨ 主要特性

• 自监督预训练：在大规模图像数据集ImageNet - 21k上进行自监督预训练，学习图像的内在表示。
• 微调能力强：可以在不同的下游任务数据集上进行微调，如在ADE20k上微调后在语义分割任务上取得SOTA结果。
• 相对位置嵌入：与原始的ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5），而不是绝对位置嵌入。
• 特征提取灵活：预训练后的模型可以提取有用的特征，用于各种下游任务，如语义分割。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# load ADE20k image
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height/4, width/4)
logits = outputs.logits

📚 详细文档

模型描述

BEiT模型是一种视觉Transformer（ViT），它是一种类似BERT的Transformer编码器模型。与原始的ViT模型不同，BEiT以自监督的方式在大规模图像集（即分辨率为224x224像素的ImageNet - 21k）上进行预训练。该模型的预训练目标是基于掩码补丁预测OpenAI的DALL - E的VQ - VAE编码器的视觉标记。

接下来，该模型在ImageNet（也称为ILSVRC2012，包含100万张图像和1000个类别的数据集）上以监督的方式进行微调，分辨率同样为224x224。

图像以固定大小的补丁序列（分辨率为16x16）的形式呈现给模型，并进行线性嵌入。与原始的ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5）而不是绝对位置嵌入，并且通过对补丁的最终隐藏状态进行平均池化来进行图像分类，而不是在[CLS]标记的最终隐藏状态之上放置线性层。

通过对模型进行预训练，它学习到图像的内在表示，然后可用于提取对下游任务有用的特征：例如，对于语义分割，可以添加mmseg库中可用的解码头之一，并在带注释的图像上以监督的方式微调模型。作者就是这样做的：他们使用UperHead分割解码头对BEiT进行微调，使其在ADE20k和CityScapes等重要基准测试中取得了SOTA结果。

预期用途和局限性

你可以使用原始模型进行图像的语义分割。可在模型中心查找针对你感兴趣任务的微调版本。

训练数据

此BEiT模型在ImageNet - 21k上进行预训练，该数据集包含1400万张图像和21k个类别；并在ADE20k上进行微调，该数据集包含数千张带注释的图像和150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。

图像被裁剪和填充到相同的分辨率（640x640），并在RGB通道上使用ImageNet的均值和标准差进行归一化。

预训练

有关所有预训练相关的超参数，请参考原始论文的第15页。

评估结果

有关在几个图像分类基准测试中的评估结果，请参考原始论文的表1和表2。请注意，对于微调，在较高分辨率（384x384）下可获得最佳结果。当然，增加模型大小会提高性能。

🔧 技术细节

文档中关于技术细节的描述已在“详细文档”部分体现，此处不再重复。

📄 许可证

本模型使用Apache - 2.0许可证。

BibTeX引用

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

信息表格