Beit Base Finetuned Ade 640 640

🚀 BEiT（基础大小模型，在ADE20k上微调）

BEiT模型以自监督方式在分辨率为224x224的ImageNet - 21k（1400万张图像，21841个类别）上进行预训练，然后在分辨率为640x640的 ADE20k（图像语义分割的重要基准数据集）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 发布。

声明：发布BEiT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。

🚀 快速开始

BEiT模型是一个视觉变换器（ViT），属于类似BERT的变换器编码器模型。与原始ViT模型不同，BEiT以自监督方式在大量图像（即ImageNet - 21k）上进行预训练，分辨率为224x224像素。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编码器中的视觉标记。

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

✨ 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。
• 相对位置嵌入：与原始ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5），而非绝对位置嵌入。
• 灵活的下游任务应用：预训练后的模型可用于提取对下游任务有用的特征，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")
image = Image.open(ds[0]['file'])

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

高级用法

文档未提及高级用法代码示例，故跳过此部分。

📚 详细文档

模型描述

BEiT模型是一种视觉变换器（ViT），是类似BERT的变换器编码器模型。与原始ViT模型不同，BEiT以自监督方式在大量图像（即ImageNet - 21k）上进行预训练，分辨率为224x224像素。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编码器中的视觉标记。

接着，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16x16）形式输入模型，并进行线性嵌入。与原始ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5），而非绝对位置嵌入，并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上放置线性层。

通过预训练，模型学习到图像的内在表示，可用于提取对下游任务有用的特征。例如，对于语义分割任务，可以添加 mmseg库 中的一个解码头，并在带注释的图像上以监督方式微调模型。作者正是这样做的：他们使用UperHead分割解码头对BEiT进行微调，使其在ADE20k和CityScapes等重要基准上取得了SOTA结果。

预期用途和局限性

可以使用原始模型进行图像的语义分割。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

此BEiT模型在 ImageNet - 21k（包含1400万张图像和21k个类别的数据集）上进行预训练，并在 ADE20k（包含数千张带注释图像和150个类别的数据集）上进行微调。

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。

图像被裁剪并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

有关几个图像分类基准的评估结果，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，增加模型大小会带来更好的性能。

BibTeX引用和引用信息

  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}
}

🔧 技术细节

模型架构

BEiT是一种视觉变换器（ViT），基于变换器编码器架构。它使用相对位置嵌入，通过对补丁的最终隐藏状态进行平均池化进行图像分类。

预训练目标

预训练目标是基于掩码补丁预测OpenAI的DALL - E的VQ - VAE编码器中的视觉标记。

微调策略

在ImageNet和ADE20k等数据集上进行监督式微调，使用UperHead分割解码头在语义分割任务上取得了SOTA结果。

📄 许可证

本模型使用Apache - 2.0许可证。