BEiT（大型模型，基于ImageNet-22k进行微调）

BEiT模型在ImageNet-22k上以无监督的方式进行了自我预训练，也称为ImageNet-21k（1400万张图片，21841个类别），分辨率为224x224，并在相同的数据集上以224x224的分辨率进行了微调。该模型由鲍航波、董立和魏服儒在 BEIT: BERT Pre-Training of Image Transformers 中提出，并于 this repository 首次发布。

声明：发布BEiT的团队没有为此模型编写模型卡片，因此此模型卡片由 Hugging Face团队编写。

模型描述

BEiT模型是一个Vision Transformer（ViT），它是一个Transformer编码器模型（类似于BERT）。与原始的ViT模型相比，BEiT模型是在224x224像素的分辨率下，在大量图像数据集ImageNet-21k上进行的自我监督预训练，其预训练目标是基于OpenAI的DALL-E的VQ-VAE的编码器预测视觉令牌，该目标是在遮蔽的补丁上。接下来，模型在ImageNet（也称为ILSVRC2012）上进行了监督式微调，该数据集包含100万张图像和1000个类别，同样以224x224的分辨率进行。

图像被呈现给模型的方法是作为一系列固定大小的补丁（16x16的分辨率），这些补丁被线性嵌入。与原始的ViT模型不同，BEiT模型使用了相对位置编码（类似于T5），而不是绝对位置编码，并且通过对补丁的最终隐藏状态进行平均池化，而不是在[CLS]标记的最终隐藏状态上放置一个线性层来对图像进行分类。

通过预训练模型，它可以学习图像的内部表示形式，然后可以用于提取用于下游任务的有用特征：例如，如果您有一个带有标签的图像数据集，可以通过在预训练编码器的顶部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，因为该标记的最后一个隐藏状态可以被看作是整个图像的表示。或者，可以对补丁的最终隐藏状态进行平均池化，并在其上方放置一个线性层。

预期的用途和限制

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

如何使用

在这里，我们将使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一：

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

inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# model predicts one of the 21,841 ImageNet-22k 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。

训练数据

BEiT模型是在包含1400万张图像和21k个类别的数据集 ImageNet-21k 上进行预训练和微调的。

训练过程

预处理

训练/验证期间图像的预处理的详细信息可以在 here 中找到。

图像被调整大小/缩放到相同的分辨率（224x224），并在RGB通道上以均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

关于所有与预训练相关的超参数，请参阅 original paper 第15页。

评估结果

关于几个图像分类基准数据集的评估结果，可以参考原始论文的表1和表2。请注意，对于微调，更高的分辨率可以获得最佳结果。当然，增加模型大小将导致更好的性能。

BibTeX条目和引用信息

  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}
}

作者:

Microsoft

数据集大小:

2.44 GB