🚀 BEiT(大型模型,在ImageNet-22k上微调)
BEiT模型以自监督的方式在ImageNet-22k(也称为ImageNet-21k,包含1400万张图像、21841个类别)上进行预训练,分辨率为224x224,并在相同数据集上以224x224的分辨率进行微调。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。
⚠️ 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。
✨ 主要特性
- 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。
- 模型的预训练目标是基于掩码补丁,从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。
- 该模型在ImageNet(也称为ILSVRC2012,包含100万张图像和1000个类别)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)呈现给模型,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,而非在[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部表示,可用于提取对下游任务有用的特征。
📦 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
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类别的示例:
from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
processor = BeitImageProcessor.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])
目前,特征提取器和模型均支持PyTorch。
📚 详细文档
训练数据
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,并在相同数据集上进行微调。
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。
图像被调整大小/重新缩放至相同分辨率(224x224),并在RGB通道上使用均值(0.5, 0.5, 0.5)和标准差(0.5, 0.5, 0.5)进行归一化。
预训练
所有与预训练相关的超参数,请参考原论文的第15页。
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1和表2。请注意,对于微调,在更高分辨率下可获得最佳结果。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
本项目采用Apache-2.0许可证。