Deit Tiny Patch16 224

🚀 数据高效图像变换器（超小尺寸模型）

Data-efficient Image Transformer（DeiT）模型在 ImageNet - 1k（100 万张图像，1000 个类别）上以 224x224 的分辨率进行了预训练和微调。该模型最早由 Touvron 等人在论文 Training data-efficient image transformers & distillation through attention 中提出，并首次在 此仓库 中发布。不过，其权重是由 Ross Wightman 从 timm 仓库 转换而来。

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

🚀 快速开始

本模型可用于图像分类任务。由于它是一个经过更高效训练的 ViT 模型，你可以将其插入 ViTModel 或 ViTForImageClassification 中使用。需要注意的是，模型期望使用 DeiTFeatureExtractor 来准备数据，这里我们使用 AutoFeatureExtractor，它会根据模型名称自动使用合适的特征提取器。

以下是使用该模型将 COCO 2017 数据集中的一张图像分类到 1000 个 ImageNet 类别之一的示例：

from transformers import AutoFeatureExtractor, ViTForImageClassification
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 = AutoFeatureExtractor.from_pretrained('facebook/deit-tiny-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-tiny-patch16-224')
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，Tensorflow 和 JAX/FLAX 支持即将推出。

✨ 主要特性

• 本模型实际上是一个经过更高效训练的视觉变换器（ViT）。
• 视觉变换器（ViT）是一个基于 Transformer 编码器的模型（类似 BERT），它在大量图像（即 ImageNet - 1k）上以监督方式进行了预训练和微调，图像分辨率为 224x224 像素。
• 图像以固定大小的块（分辨率 16x16）序列的形式输入到模型中，并进行线性嵌入。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，如果你有一个带标签的图像数据集，可以在预训练编码器的基础上添加一个线性层来训练一个标准分类器。通常在 [CLS] 标记上添加一个线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。

📦 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

from transformers import AutoFeatureExtractor, ViTForImageClassification
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 = AutoFeatureExtractor.from_pretrained('facebook/deit-tiny-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-tiny-patch16-224')
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])

高级用法

文档未提及高级用法代码示例，故不展示。

📚 详细文档

预期用途和限制

你可以使用原始模型进行图像分类。可查看 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

ViT 模型在 ImageNet - 1k 上进行了预训练，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。

在推理时，图像会被调整大小/缩放至相同的分辨率（256x256），然后在 224x224 处进行中心裁剪，并使用 ImageNet 的均值和标准差在 RGB 通道上进行归一化。

预训练

模型在单个 8 - GPU 节点上训练了 3 天，训练分辨率为 224。所有超参数（如批量大小和学习率）可参考原论文的表 9。

评估结果

需要注意的是，对于微调，在更高分辨率（384x384）下可获得最佳结果。当然，增加模型大小会提高性能。

BibTeX 条目和引用信息

@misc{touvron2021training,
      title={Training data - efficient image transformers & distillation through attention}, 
      author={Hugo Touvron and Matthieu Cord and Matthijs Douze and Francisco Massa and Alexandre Sablayrolles and Hervé Jégou},
      year={2021},
      eprint={2012.12877},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@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}
}

🔧 技术细节

文档未提供足够详细的技术实现细节（字数少于 50），故跳过此章节。

📄 许可证

本项目采用 Apache - 2.0 许可证。