Vit Large Patch32 384

🚀 视觉变换器（大型模型）

视觉变换器（ViT）是一种基于Transformer架构的图像识别模型，它在大规模图像数据上进行预训练，学习图像的内在表示，可用于图像分类等下游任务。

🚀 快速开始

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

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类之一的示例：

from transformers import ViTFeatureExtractor, 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 = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch32-384')
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])

目前，特征提取器和模型都支持PyTorch。Tensorflow和JAX/FLAX即将支持，并且ViTFeatureExtractor的API可能会发生变化。

✨ 主要特性

• 视觉变换器（ViT）是一个类似BERT的Transformer编码器模型，在大规模图像集（如ImageNet - 21k）上进行有监督预训练，然后在ImageNet上进行微调。
• 图像被分割成固定大小的块（32x32），线性嵌入后添加[CLS]标记用于分类任务，并添加绝对位置嵌入。
• 预训练后的模型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，例如在预训练编码器上添加线性层训练标准分类器。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import ViTFeatureExtractor, 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 = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch32-384')
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])

📚 详细文档

模型描述

视觉变换器（ViT）是一个Transformer编码器模型（类似BERT），以监督方式在大量图像集（即ImageNet - 21k）上进行预训练，分辨率为224x224像素。然后，该模型在ImageNet（也称为ILSVRC2012）上进行微调，这是一个包含100万张图像和1000个类别的数据集，分辨率为384x384。

图像以固定大小的块序列（分辨率32x32）的形式呈现给模型，并进行线性嵌入。还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编码器层之前，还会添加绝对位置嵌入。

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。

预期用途和限制

你可以使用此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

ViT模型在ImageNet - 21k上进行预训练，这是一个包含1400万张图像和21k个类别的数据集，并在ImageNet上进行微调，这是一个包含100万张图像和1k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。

图像被调整大小/缩放为相同的分辨率（预训练期间为224x224，微调期间为384x384），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

该模型在TPUv3硬件（8核）上进行训练。所有模型变体都以4096的批量大小和10k步的学习率预热进行训练。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪是有益的。预训练分辨率为224。

评估结果

关于几个图像分类基准的评估结果，请参考原论文的表2和表5。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。

🔧 技术细节

文档中关于技术细节的描述分散在多个部分，主要涉及模型架构（Transformer编码器、图像分块、添加[CLS]标记和位置嵌入）、训练数据（ImageNet - 21k和ImageNet）、训练过程（预处理、预训练的硬件、批量大小、学习率预热、梯度裁剪等）。

📄 许可证

本项目采用Apache - 2.0许可证。

BibTeX引用和引用信息

@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}
}