Deit Base Distilled Patch16 384

🚀 蒸馏数据高效图像Transformer（基础大小模型）

Distilled Data-efficient Image Transformer（DeiT）模型在分辨率为224x224的情况下进行预训练，并在ImageNet - 1k（100万张图像，1000个类别）上以384x384的分辨率进行微调。该模型由Touvron等人在论文 Training data-efficient image transformers & distillation through attention 中首次提出，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。

⚠️ 重要提示 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。

✨ 主要特性

• 该模型是一个蒸馏视觉Transformer（ViT），除了类别标记外，还使用蒸馏标记，能在预训练和微调期间有效地从教师模型（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。
• 模型将图像表示为固定大小的补丁序列（分辨率为16x16），并进行线性嵌入。

🚀 快速开始

你可以使用原始模型进行图像分类。可查看 模型中心 以寻找针对你感兴趣的任务进行微调的版本。

📦 安装指南

文档未提及安装步骤，可参考相关依赖库的官方文档进行安装，如transformers、PIL、requests等。

💻 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-base-distilled-patch16-384')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-base-distilled-patch16-384')
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])

💡 使用建议 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

模型描述

此模型是一个蒸馏视觉Transformer（ViT）。除了类别标记外，它使用蒸馏标记，以便在预训练和微调期间有效地从教师模型（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。图像以固定大小的补丁序列（分辨率为16x16）的形式呈现给模型，并进行线性嵌入。

预期用途和限制

你可以使用原始模型进行图像分类。查看 模型中心 以寻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在 此处 找到。在推理时，图像会被调整大小/重新缩放至相同的分辨率（438x438），在384x384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。预训练分辨率为224。有关所有超参数（如批量大小和学习率），请参考原始论文的表9。

评估结果

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

BibTeX引用

@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。