license: apache-2.0
tags:

• 视觉
  datasets:
• imagenet-21k
  inference: false

视觉Transformer（大尺寸模型）

该视觉Transformer（ViT）模型在ImageNet-21k（包含1400万张图像，21,843个类别）上以224x224分辨率进行了预训练。该模型由Dosovitskiy等人在论文《一张图片等于16x16个词：大规模图像识别的Transformer》中提出，并首次发布于此代码库。不过，权重是由Ross Wightman从timm代码库转换而来，他此前已将权重从JAX转换为PyTorch。功劳归于他。

免责声明：发布ViT的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

视觉Transformer（ViT）是一种类似BERT的Transformer编码器模型，通过监督方式在大量图像（即ImageNet-21k）上以224x224像素分辨率进行了预训练。

图像被分割为固定大小的块（分辨率为32x32）并线性嵌入后输入模型。序列开头会添加一个[CLS]标记用于分类任务。在将序列输入Transformer编码器层之前，还会添加绝对位置嵌入。

请注意，此模型未提供任何微调头部，因为这些部分被谷歌研究人员置零。但模型包含预训练的池化器，可用于下游任务（如图像分类）。

通过预训练，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，如果您有一个带标签的图像数据集，可以在预训练编码器顶部添加一个线性层来训练标准分类器。通常会在[CLS]标记顶部添加线性层，因为该标记的最后隐藏状态可视为整个图像的表示。

预期用途与限制

您可以将原始模型用于图像分类。请参阅模型中心查找您感兴趣任务的微调版本。

使用方法

以下是使用此模型的方法：

from transformers import ViTFeatureExtractor, ViTModel  
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-patch16-224-in21k')  
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')  
inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  
last_hidden_state = outputs.last_hidden_state  

目前，特征提取器和模型均支持PyTorch。TensorFlow和JAX/FLAX即将推出，且ViTFeatureExtractor的API可能会更改。

训练数据

ViT模型在ImageNet-21k上进行了预训练，该数据集包含1400万张图像和21k个类别。

训练流程

预处理

训练/验证期间图像预处理的具体细节可在此处找到。

图像被调整/缩放到相同分辨率（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

模型在TPUv3硬件（8核）上训练。所有模型变体均以4096的批次大小和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的梯度裁剪有益。预训练分辨率为224。

评估结果

关于多个图像分类基准的评估结果，请参阅原论文的表2和表5。请注意，微调时最佳结果是通过更高分辨率（384x384）获得的。当然，增加模型尺寸会带来更好的性能。

BibTeX条目与引用信息

@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}  
}