Vit Base Patch16 384

🚀 视觉变换器（基础大小模型）

视觉变换器（ViT）是一种基于Transformer架构的图像识别模型，它先在大规模图像数据集上预训练，学习图像的通用特征，再在特定任务数据集上微调，以适应具体的图像分类任务。

🚀 快速开始

视觉变换器（ViT）是一个类似BERT的Transformer编码器模型，它在大规模图像集（如ImageNet - 21k）上进行有监督预训练，然后在ImageNet（ILSVRC2012）数据集上进行微调。以下是使用该模型对COCO 2017数据集中的图像进行分类的示例代码：

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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-384')
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("预测类别:", model.config.id2label[predicted_class_idx])

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

✨ 主要特性

• 预训练与微调：先在ImageNet - 21k（1400万张图像，21843个类别）上以224x224分辨率进行预训练，再在ImageNet 2012（100万张图像，1000个类别）上以384x384分辨率进行微调。
• 图像输入处理：将图像分割成固定大小的图像块（16x16分辨率），进行线性嵌入，并添加[CLS]标记用于分类任务，同时添加绝对位置嵌入。
• 特征提取与下游任务：通过预训练学习图像的内部表示，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。

📚 详细文档

模型描述

视觉变换器（ViT）是一个类似BERT的Transformer编码器模型，它在大规模图像集（ImageNet - 21k）上以224x224像素分辨率进行有监督预训练。然后，该模型在包含100万张图像和1000个类别的ImageNet（也称为ILSVRC2012）数据集上以384x384的更高分辨率进行微调。

图像以固定大小的图像块序列（分辨率16x16）的形式输入到模型中，并进行线性嵌入。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，如果有一个带标签的图像数据集，可以在预训练编码器上添加一个线性层来训练一个标准分类器。通常在[CLS]标记上添加线性层，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

可以使用原始模型进行图像分类。可以在模型中心查找针对感兴趣任务的微调版本。

📦 安装指南

文档中未提及具体安装步骤，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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-384')
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("预测类别:", model.config.id2label[predicted_class_idx])

🔧 技术细节

训练数据

ViT模型在ImageNet - 21k数据集上进行预训练，该数据集包含1400万张图像和21000个类别；然后在ImageNet数据集上进行微调，该数据集包含100万张图像和1000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以在这里找到。

图像被调整大小/重新缩放为相同的分辨率（预训练时为224x224，微调时为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

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10000步的学习率热身进行训练。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。

📄 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}
}