Vit Base Patch16 224

🚀 ONNX 转换的 ViT（基础大小模型）

本项目是 ViT-base 的 ONNX 转换版本，带有分类头，可用于图像分类任务。

🚀 快速开始

本项目的 Vision Transformer（ViT）模型在 ImageNet-21k（1400 万张图像，21843 个类别）上以 224x224 分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1000 个类别）上以相同分辨率进行微调。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，权重是从 Ross Wightman 的 timm 仓库 转换而来，他已将权重从 JAX 转换为 PyTorch，在此对他表示感谢。

需要注意的是，发布 ViT 的团队并未为此模型撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

✨ 主要特性

• 基于 Vision Transformer（ViT）架构，在大规模图像数据集上预训练，具有强大的图像特征提取能力。
• 经过 ONNX 转换，可在支持 ONNX 的推理引擎上高效运行。
• 适用于图像分类任务，可对图像进行准确的类别预测。

📦 安装指南

文档中未提及具体安装步骤，可参考相关依赖库的官方文档进行安装，如 transformers、optimum 等。

💻 使用示例

基础用法

以下是如何使用此模型将 COCO 2017 数据集中的图像分类为 1000 个 ImageNet 类别之一的示例：

from transformers import AutoFeatureExtractor
from optimum.onnxruntime import ORTModelForImageClassification
from optimum.pipelines import pipeline

feature_extractor = AutoFeatureExtractor.from_pretrained("optimum/vit-base-patch16-224")
# Loading already converted and optimized ORT checkpoint for inference
model = ORTModelForImageClassification.from_pretrained("optimum/vit-base-patch16-224")

onnx_img_classif = pipeline(
    "image-classification", model=model, feature_extractor=feature_extractor
)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"

pred = onnx_img_classif(url)
print("Top-5 predicted classes:", pred)

📚 详细文档

模型描述

Vision Transformer（ViT）是一种基于 Transformer 编码器的模型（类似 BERT），它在大规模图像数据集 ImageNet-21k 上以 224x224 像素的分辨率进行有监督的预训练。之后，该模型在 ImageNet（也称为 ILSVRC2012）数据集上进行微调，该数据集包含 100 万张图像和 1000 个类别，分辨率同样为 224x224。

图像以固定大小的图像块序列（分辨率为 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 编码器的各层之前，还会添加绝对位置嵌入。

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，可以在预训练的编码器之上放置一个线性层，训练一个标准分类器。通常会在线性层放置在 [CLS] 标记之上，因为该标记的最后隐藏状态可以看作是整个图像的表示。

预期用途和局限性

可以使用原始模型进行图像分类。可在 模型中心 查找针对感兴趣任务的微调版本。

🔧 技术细节

训练数据

ViT 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 ImageNet 上进行微调，该数据集包含 100 万张图像和 1k 个类别。

训练过程

预处理

训练/验证期间图像预处理的具体细节可在 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

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 10k 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。训练分辨率为 224。

评估结果

关于多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，在微调时，使用更高的分辨率（384x384）可获得最佳结果。当然，增加模型大小也会提高性能。

📄 许可证

本项目采用 Apache-2.0 许可证。

BibTeX 条目和引用信息

@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}
}