Beit Large Patch16 384

🚀 BEiT（大型模型，在ImageNet-1k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384x384的ImageNet 2012（100万张图像，1000个类别）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 BEiT模型的发布团队并未为此模型编写模型卡片，本模型卡片由Hugging Face团队编写。

✨ 主要特性

• 自监督预训练：BEiT模型在大规模图像集ImageNet - 21k上进行自监督预训练，学习图像的内在表示。
• 微调适配：在ImageNet 2012上进行监督式微调，可用于图像分类任务。
• 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，而非绝对位置嵌入。
• 特征提取：预训练后的模型可用于提取图像特征，适用于下游任务。

📚 详细文档

模型描述

BEiT模型是一种视觉Transformer（ViT），属于Transformer编码器模型（类似BERT）。与原始ViT模型不同，BEiT以自监督的方式在大量图像（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块，从OpenAI的DALL - E的VQ - VAE编码器中预测视觉标记。

随后，该模型在ImageNet（也称为ILSVRC2012）上进行监督式微调，ImageNet是一个包含100万张图像和1000个类别的数据集，分辨率同样为224x224。

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。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，并通过对块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，如果您有一个带标签的图像数据集，可以在预训练编码器上放置一个线性层来训练标准分类器。通常会在[CLS]标记上放置一个线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。或者，也可以对块嵌入的最终隐藏状态进行平均池化，并在其上放置线性层。

预期用途与限制

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

💻 使用示例

基础用法

以下是如何使用该模型将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 BeitFeatureExtractor, BeitForImageClassification
from PIL import Image
import requests
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-384')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型预测1000个ImageNet类别之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型都支持PyTorch。

🔧 技术细节

训练数据

BEiT模型在ImageNet - 21k上进行预训练，该数据集由1400万张图像和21k个类别组成，并在ImageNet上进行微调，该数据集由100万张图像和1k个类别组成。

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/缩放至相同分辨率（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

有关所有预训练相关的超参数，请参考原论文的第15页。

评估结果

有关多个图像分类基准的评估结果，请参考原论文的表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。

引用信息

@article{DBLP:journals/corr/abs-2106-08254,
  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}
}

@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

本模型采用Apache - 2.0许可证。