Beit Base Patch16 224 Pt22k Ft22k

🚀 BEiT (基础尺寸模型，在ImageNet-22k上微调)

BEiT模型以自监督方式在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，随后在相同数据集上以224x224分辨率进行微调。该模型由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre-Training of Image Transformers中提出，并首次在此仓库发布。

⚠️ 重要提示 发布BEiT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。

🚀 快速开始

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以自监督方式在大量图像（即ImageNet-21k）上进行预训练，分辨率为224x224像素。该模型的预训练目标是基于掩码图像块，从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。 随后，该模型在ImageNet（也称为ILSVRC2012）上进行有监督微调，该数据集包含100万张图像和1000个类别，分辨率同样为224x224。

✨ 主要特性

• 预训练方式：在ImageNet-21k上进行自监督预训练，学习图像的内在表示。
• 微调策略：在ImageNet上进行有监督微调，提升图像分类性能。
• 位置嵌入：使用相对位置嵌入（类似于T5），而非绝对位置嵌入。
• 分类方式：通过对图像块的最终隐藏状态进行均值池化来进行图像分类，而非在[CLS]标记的最终隐藏状态上放置线性层。

💻 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类别的示例：

from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = BeitImageProcessor.from_pretrained('microsoft/beit-base-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-patch16-224-pt22k-ft22k')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型预测21,841个ImageNet-22k类别之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型均支持PyTorch。

📚 详细文档

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，并在相同数据集上进行微调。

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。 图像会被调整大小/缩放至相同分辨率（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

所有与预训练相关的超参数，请参考原论文的第15页。

评估结果

关于多个图像分类基准的评估结果，请参考原论文的表1和表2。请注意，在微调时，较高的分辨率可获得最佳结果。当然，增大模型尺寸也会提升性能。

BibTeX引用和引用信息

@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。