Beit Base Patch16 224 Pt22k

🚀 BEiT (基础尺寸模型，仅预训练)

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，图像分辨率为224x224。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撰写模型卡片，此模型卡片由Hugging Face团队编写。

🚀 快速开始

BEiT模型是一种视觉变换器（ViT），属于Transformer编码器模型（类似BERT）。与原始的ViT模型不同，BEiT在大量图像集（即ImageNet - 21k）上以自监督的方式进行预训练，图像分辨率为224x224像素。该模型的预训练目标是基于掩码补丁，从OpenAI的DALL - E的VQ - VAE编码器中预测视觉标记。

✨ 主要特性

• 预训练方式：在大规模图像数据集ImageNet - 21k上进行自监督预训练。
• 位置嵌入：使用相对位置嵌入（类似于T5），而非绝对位置嵌入。
• 分类方式：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。

💻 使用示例

基础用法

from transformers import BeitFeatureExtractor, BeitForMaskedImageModeling
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-patch16-224-pt22k')
model = BeitForMaskedImageModeling.from_pretrained('microsoft/beit-base-patch16-224-pt22k')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

目前，特征提取器和模型均支持PyTorch。

📚 详细文档

模型描述

BEiT模型是一种视觉变换器（ViT），是Transformer编码器模型（类似BERT）。与原始的ViT模型相比，BEiT在大量图像集（即ImageNet - 21k）上以自监督的方式进行预训练，图像分辨率为224x224像素。该模型的预训练目标是基于掩码补丁，从OpenAI的DALL - E的VQ - VAE编码器中预测视觉标记。

图像以固定大小的补丁序列（分辨率16x16）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。

通过对模型进行预训练，它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，如果您有一个带标签的图像数据集，可以在预训练的编码器上放置一个线性层来训练一个标准分类器。通常在[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，也可以对补丁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

您可以使用原始模型进行图像分类。请查看 模型中心 以查找针对您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21k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

有关多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。

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。