Deit Small Distilled Patch16 224

🚀 蒸馏数据高效图像变换器（小型模型）

Distilled 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。它最初由Touvron等人在论文Training data-efficient image transformers & distillation through attention中提出，并首次在该仓库发布。不过，权重是由Ross Wightman从timm仓库转换而来。

免责声明：发布DeiT的团队并未为该模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

✨ 主要特性

• 该模型是一个蒸馏视觉变换器（ViT），除了类别令牌外，还使用蒸馏令牌，在预训练和微调过程中能有效地从教师模型（CNN）中学习。
• 蒸馏令牌通过反向传播学习，通过自注意力层与类别（[CLS]）和补丁令牌进行交互。
• 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

文档未提及具体安装步骤，跳过此章节。

💻 使用示例

基础用法

由于该模型是蒸馏ViT模型，你可以将其插入DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher。请注意，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。

以下是如何使用该模型将COCO 2017数据集中的一张图像分类为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-small-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-small-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

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

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

训练过程

预处理

训练/验证期间图像预处理的确切细节可以在此处找到。

推理时，图像会被调整/重新缩放至相同的分辨率（256x256），中心裁剪为224x224，并在RGB通道上使用ImageNet的均值和标准差进行归一化。

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。对于所有超参数（如批量大小和学习率），请参考原论文的表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。