Beit Base Patch16 384

🚀 BEiT（基础大小模型，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。

免责声明：发布BEiT的团队并未为此模型编写模型卡片，因此此模型卡片由Hugging Face团队编写。

🚀 快速开始

BEiT模型可用于图像分类任务。你可以直接使用原始模型进行图像分类，也可以在模型中心（model hub）查找针对你感兴趣的任务进行微调的版本。

✨ 主要特性

• 自监督预训练：BEiT模型在大规模图像数据集ImageNet-21k上以自监督的方式进行预训练，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。
• 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），而非绝对位置嵌入。
• 平均池化分类：通过对图像块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。

📚 详细文档

模型描述

BEiT模型是一种视觉变换器（ViT），它是一种类似于BERT的变换器编码器模型。与原始的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，图像分辨率为224x224像素。该模型的预训练目标是基于掩码图像块，从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。

接下来，该模型在ImageNet（也称为ILSVRC2012）上进行有监督的微调，这是一个包含100万张图像和1000个类别的数据集，图像分辨率同样为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）而非绝对位置嵌入，并通过对图像块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在表示，可用于提取对下游任务有用的特征。例如，如果你有一个标记图像的数据集，可以在预训练编码器的基础上放置一个线性层来训练一个标准分类器。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，也可以对图像块嵌入的最终隐藏状态进行平均池化，并在其上放置一个线性层。

预期用途和限制

你可以使用原始模型进行图像分类。请查看模型中心，以查找针对你感兴趣的任务进行微调的版本。

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21000个类别；并在ImageNet上进行微调，该数据集包含100万张图像和1000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

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

💻 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-base-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-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，特征提取器和模型均支持PyTorch。

🔧 技术细节

BibTeX引用

@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。