🚀 BEiT(大型模型,仅预训练)
BEiT模型以自监督的方式在ImageNet - 22k(也称为ImageNet - 21k,包含1400万张图像、21841个类别)上进行预训练,分辨率为224x224。该模型由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre - Training of Image Transformers中提出,并首次在此仓库中发布。
免责声明:发布BEiT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
- BEiT模型是一种视觉变换器(ViT),属于变换器编码器模型(类似BERT)。与原始ViT模型不同,BEiT以自监督的方式在大量图像集(即ImageNet - 21k)上进行预训练,图像分辨率为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。
- 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。与原始ViT模型不同,BEiT模型使用相对位置嵌入(类似于T5)而非绝对位置嵌入,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之上放置线性层。
- 通过预训练,模型学习到图像的内部表示,可用于提取对下游任务有用的特征。
🚀 快速开始
你可以使用原始模型进行图像分类。可在模型中心查找针对你感兴趣的任务进行微调的版本。
💻 使用示例
基础用法
from transformers import BeitFeatureExtractor, BeitForMaskedImageModeling
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-patch16-224-pt22k')
model = BeitForMaskedImageModeling.from_pretrained('microsoft/beit-large-patch16-224-pt22k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
目前,特征提取器和模型均支持PyTorch。
📚 详细文档
模型描述
BEiT模型是一种视觉变换器(ViT),它是一种变换器编码器模型(类似BERT)。与原始ViT模型相比,BEiT以自监督的方式在大量图像集(即ImageNet - 21k)上进行预训练,图像分辨率为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。
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。与原始ViT模型不同,BEiT模型使用相对位置嵌入(类似于T5)而非绝对位置嵌入,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之上放置线性层。
通过预训练,模型学习到图像的内部表示,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。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。
预期用途与限制
你可以使用原始模型进行图像分类。可在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
BEiT模型在ImageNet - 21k上进行预训练,该数据集包含1400万张图像和21000个类别。
训练过程
预处理
训练/验证期间图像预处理的具体细节可在此处找到。
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,在更高分辨率下可获得最佳结果。当然,增加模型大小将提高性能。
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
本模型采用Apache - 2.0许可证。
属性 |
详情 |
模型类型 |
视觉变换器(ViT),变换器编码器模型(类似BERT) |
训练数据 |
ImageNet - 21k(包含1400万张图像和21000个类别) |