Beit Large Patch16 512

🚀 BEiT（大型模型，在ImageNet-1k上微调）

BEiT模型以自监督的方式在分辨率为224x224的ImageNet-21k（1400万张图像，21841个类别）上进行预训练，并在分辨率为512x512的ImageNet 2012（100万张图像，1000个类别）上进行微调。它由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre-Training of Image Transformers中提出，并首次在此仓库发布。

⚠️ 重要提示 发布BEiT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

BEiT模型可用于图像分类任务。你可以使用原始模型进行图像分类，也可以在模型中心查找针对你感兴趣的任务进行微调后的版本。

✨ 主要特性

• 自监督预训练：在大规模图像数据集ImageNet-21k上进行自监督预训练，学习图像的内在表示。
• 相对位置嵌入：与原始的ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5），而不是绝对位置嵌入。
• 多种分类方式：可以通过对补丁的最终隐藏状态进行平均池化，或在[CLS]标记的最终隐藏状态上放置线性层来进行图像分类。

📚 详细文档

模型描述

BEiT模型是一种视觉变换器（ViT），它是一种类似BERT的变换器编码器模型。与原始的ViT模型不同，BEiT以自监督的方式在大规模图像数据集ImageNet-21k上进行预训练，分辨率为224x224像素。模型的预训练目标是基于掩码补丁，从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。

接下来，模型在ImageNet（也称为ILSVRC2012）上进行有监督的微调，该数据集包含100万张图像和1000个类别，分辨率同样为224x224。

图像以固定大小的补丁序列（分辨率为16x16）呈现给模型，并进行线性嵌入。与原始的ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5），而不是绝对位置嵌入，并通过对补丁的最终隐藏状态进行平均池化来进行图像分类，而不是在[CLS]标记的最终隐藏状态上放置线性层。

通过对模型进行预训练，它学习到图像的内在表示，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放置一个线性层来训练一个标准分类器。通常，会在[CLS]标记上放置一个线性层，因为该标记的最后隐藏状态可以看作是整个图像的表示。或者，也可以对补丁嵌入的最终隐藏状态进行平均池化，并在其上放置一个线性层。

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，查找针对你感兴趣的任务进行微调后的版本。

💻 使用示例

基础用法

以下是如何使用该模型将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 BeitFeatureExtractor, BeitForImageClassification
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 = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-patch16-512')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-512')
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。

🔧 技术细节

训练数据

BEiT模型在ImageNet-21k上进行预训练，该数据集包含1400万张图像和21k个类别，并在ImageNet上进行微调，该数据集包含100万张图像和1k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。

图像被调整大小/重新缩放至相同的分辨率（224x224），并在RGB通道上进行归一化，均值为（0.5, 0.5, 0.5），标准差为（0.5, 0.5, 0.5）。

预训练

有关所有预训练相关的超参数，请参考原始论文的第15页。

评估结果

有关几个图像分类基准的评估结果，请参考原始论文的表1和表2。请注意，对于微调，在较高分辨率（384x384）下可获得最佳结果。当然，增加模型大小会提高性能。

引用信息

@article{DBLP:journals/corr/abs-2106-08254,
  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@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。