🚀 视觉变换器（使用DINO训练的基础尺寸模型，补丁大小为8）

这是一个使用DINO方法训练的视觉变换器（ViT）模型，可用于图像特征学习和下游任务。

🚀 快速开始

视觉变换器（ViT）是一个基于Transformer编码器的模型（类似BERT），它以自监督的方式在大量图像集合（即ImageNet - 1k，分辨率为224x224像素）上进行预训练。你可以使用这个原始模型进行图像分类，也可以在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

• 基于Transformer架构，在大规模图像数据上自监督预训练。
• 以固定大小的图像补丁（8x8分辨率）作为输入，学习图像的内部表示。
• 模型不包含任何微调头，可灵活用于下游任务。

📚 详细文档

模型描述

视觉变换器（ViT）是一个Transformer编码器模型（类似BERT），它以自监督的方式在大量图像集合（即ImageNet - 1k，分辨率为224x224像素）上进行预训练。

图像以固定大小的补丁序列（分辨率8x8）的形式输入到模型中，这些补丁会进行线性嵌入。同时，会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编码器的各层之前，还会添加绝对位置嵌入。

需要注意的是，这个模型不包含任何微调头。

通过预训练，模型学习到图像的内部表示，这些表示可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，可以在预训练的编码器之上添加一个线性层来训练一个标准分类器。通常会在[CLS]标记之上添加一个线性层，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

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

💻 使用示例

基础用法

from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('facebook/dino-vitb8')
model = ViTModel.from_pretrained('facebook/dino-vitb8')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

📄 许可证

本模型采用Apache - 2.0许可证。

BibTeX引用

@article{DBLP:journals/corr/abs-2104-14294,
  author    = {Mathilde Caron and
               Hugo Touvron and
               Ishan Misra and
               Herv{\'{e}} J{\'{e}}gou and
               Julien Mairal and
               Piotr Bojanowski and
               Armand Joulin},
  title     = {Emerging Properties in Self-Supervised Vision Transformers},
  journal   = {CoRR},
  volume    = {abs/2104.14294},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.14294},
  archivePrefix = {arXiv},
  eprint    = {2104.14294},
  timestamp = {Tue, 04 May 2021 15:12:43 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-14294.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

信息表格

⚠️ 重要提示

发布DINO的团队没有为这个模型编写模型卡片，此模型卡片由Hugging Face团队编写。