Deit Base Patch16 224

🚀 数据高效图像变换器（基础尺寸模型）

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，其权重是从 Ross Wightman 的 timm 仓库 转换而来的。

⚠️ 重要提示 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 团队撰写。

🚀 快速开始

你可以使用该原始模型进行图像分类。前往 模型中心 查找针对你感兴趣的任务进行微调的版本。

由于此模型是一个训练效率更高的 ViT 模型，你可以将其插入 ViTModel 或 ViTForImageClassification 中。请注意，该模型期望使用 DeiTFeatureExtractor 来处理数据。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。

以下是如何使用此模型将 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-base-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-patch16-224')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
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 版本即将推出。

✨ 主要特性

• 此模型实际上是一个训练效率更高的视觉变换器（ViT）。
• 能够学习图像的内部表示，可用于提取对下游任务有用的特征。

📚 详细文档

模型描述

视觉变换器（ViT）是一个基于 Transformer 编码器的模型（类似 BERT），它在大量图像集（即 ImageNet - 1k）上以监督方式进行预训练和微调，图像分辨率为 224x224 像素。

图像以固定大小的块序列（分辨率 16x16）的形式输入到模型中，并进行线性嵌入。同时，会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 编码器的各层之前，还会添加绝对位置嵌入。

通过对模型进行预训练，它可以学习到图像的内部表示，进而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，你可以在预训练的编码器之上放置一个线性层来训练一个标准分类器。通常会在 [CLS] 标记之上放置一个线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。

预期用途和限制

你可以使用该原始模型进行图像分类。可前往 模型中心 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 数据集上进行预训练，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），然后进行中心裁剪至 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。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，增加模型大小也会提高性能。

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。