Data-efficient Image Transformer (base-sized model)

Data-efficient Image Transformer（DeiT）模型在ImageNet-1k（100万张图片，1000个类别）上进行了预训练和微调，分辨率为224x224。首次由Touvron等人在论文中介绍，并在 this repository 中首次发布。然而，权重是由Ross Wightman从 timm repository 中转换而来。

免责声明：发布DeiT模型的团队没有为该模型编写一个模型卡，因此这个模型卡是由Hugging Face团队编写的。

模型描述

实际上，这个模型是一个更高效地训练的Vision Transformer（ViT）。

Vision Transformer（ViT）是一个在大量图像上以监督方式进行预训练和微调的转换器编码器模型（类似于BERT），即ImageNet-1k，分辨率为224x224像素。

图像被呈现给模型时，作为一系列固定大小的补丁（分辨率为16x16），并进行线性嵌入。还在序列的开头添加了一个[CLS]标记，以在分类任务中使用它。在将序列馈送到转换器编码器的层之前，还会添加绝对位置嵌入。

通过预训练模型，它学习了图像的内部表示，然后可以用于提取对下游任务有用的特征：例如，如果您有一个带标签的图像数据集，可以在预训练的编码器之上放置一个线性层来训练一个标准分类器。通常将线性层放置在[CLS]标记的顶部，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

您可以使用原始模型进行图像分类。查看 model hub ，了解您感兴趣的任务的微调版本。

如何使用

由于这个模型是一个更高效地训练的ViT模型，您可以将其插入ViTModel或ViTForImageClassification中。注意，模型期望使用DeiTFeatureExtractor准备数据。在这里，我们使用AutoFeatureExtractor，它将根据模型名称自动选择适当的特征提取器。

以下是如何使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别之一：

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-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-patch16-224')
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即将推出。

训练数据

ViT模型在 ImageNet-1k 上进行了预训练，该数据集包括100万张图像和1k个类别。

训练过程

预处理

在训练/验证期间，图像的预处理详细信息可以在 here 找到。

在推理时，图像被调整大小/重新缩放为相同分辨率（256x256），在224x224处进行中心裁剪，并在RGB通道上使用ImageNet的均值和标准差进行归一化。

预训练

该模型在一台单个8-GPU节点上进行了3天的训练。训练分辨率为224。对于所有超参数（例如批量大小和学习率），我们参考原始论文的第9表。

评估结果

请注意，为了微调，最佳结果是在更高的分辨率（384x384）下获得的。当然，增加模型大小将导致更好的性能。

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}
}