Deit Tiny Distilled Patch16 224

🚀 蒸馏数据高效图像变换器（微型模型）

本项目是一个用于图像分类的模型。该模型在 ImageNet-1k 数据集上进行预训练和微调，能有效对图像进行分类，为图像分类任务提供了高效的解决方案。

🚀 快速开始

蒸馏数据高效图像变换器（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。它最早由 Touvron 等人在论文 Training data-efficient image transformers & distillation through attention 中提出，并首次在 此仓库 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撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

✨ 主要特性

• 蒸馏机制：该模型是一个蒸馏视觉变换器（ViT），除了类别标记外，还使用了一个蒸馏标记，以便在预训练和微调过程中有效地从教师模型（CNN）中学习。蒸馏标记通过反向传播学习，通过自注意力层与类别（[CLS]）和补丁标记进行交互。
• 图像输入处理：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。

📦 安装指南

文档未提及安装步骤，可参考相关依赖库（如 transformers）的官方安装说明进行安装。

💻 使用示例

基础用法

以下是如何使用此模型将 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 AutoFeatureExtractor, DeiTForImageClassificationWithTeacher
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-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-tiny-distilled-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 即将支持。

📚 详细文档

预期用途和限制

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

该模型在 ImageNet-1k 上进行了预训练和蒸馏微调，这是一个由 100 万张图像和 1000 个类别组成的数据集。

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/缩放为相同的分辨率（256x256），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

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

评估结果

请注意，对于微调，使用更高的分辨率（384x384）可获得最佳结果。当然，增加模型大小会带来更好的性能。

BibTeX 引用和引用信息

@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}
}

📄 许可证

本项目采用 Apache-2.0 许可证。