Deit Base Patch16 384

🚀 数据高效图像变换器（基础尺寸模型）

Data-efficient Image Transformer (DeiT) 模型在 ImageNet - 1k（100 万张图像，1000 个类别）上以 384x384 的分辨率进行了预训练和微调。该模型最早由 Touvron 等人在论文 Training data-efficient image transformers & distillation through attention 中提出，并首次在 此仓库 中发布。不过，其权重是由 Ross Wightman 从 timm 仓库 转换而来。

声明：发布 DeiT 的团队并未为此模型撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

🚀 快速开始

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

✨ 主要特性

• 该模型实际上是一个训练效率更高的视觉变换器（ViT）。
• 能够学习图像的内在表示，可用于提取对下游任务有用的特征。

📦 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 AutoFeatureExtractor, 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 = AutoFeatureExtractor.from_pretrained('facebook/deit-base-patch16-384')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-patch16-384')
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])

高级用法

文档未提及高级用法相关代码，故跳过此部分。

📚 详细文档

模型描述

视觉变换器（ViT）是一种类似于 BERT 的变换器编码器模型，在 224 分辨率下进行预训练，并在 384 分辨率下对大量图像（即 ImageNet - 1k）进行有监督的微调。

图像以固定大小的块（分辨率 16x16）序列的形式呈现给模型，并进行线性嵌入。同时，在序列开头添加一个 [CLS] 标记，用于分类任务。在将序列输入到变换器编码器的各层之前，还会添加绝对位置嵌入。

通过对模型进行预训练，它可以学习到图像的内在表示，进而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添加一个线性层，训练一个标准分类器。通常会在 [CLS] 标记上添加一个线性层，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 - 1k 数据集上进行预训练，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在 此处 找到。

在推理时，图像会被调整大小/重新缩放至相同的分辨率（438x438），然后在 384x384 处进行中心裁剪，并使用 ImageNet 的均值和标准差在 RGB 通道上进行归一化。

预训练

该模型在单个 8 GPU 节点上训练了 3 天。预训练分辨率为 224。所有超参数（如批量大小和学习率）请参考原论文的表 9。

评估结果

需要注意的是，对于微调，在较高分辨率（384x384）下可获得最佳结果。当然，增加模型大小也会提高性能。

BibTeX 引用和引用信息

@misc{touvron2021training,
      title={Training data-efficient image transformers & distillation through attention}, 
      author={Hugo Touvron and Matthieu Cord and Matthijs Douze and Francisco Massa and Alexandre Sablayrolles and Hervé Jégou},
      year={2021},
      eprint={2012.12877},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@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}
}

📄 许可证

本项目采用 Apache - 2.0 许可证。