license: apache-2.0
tags:

• 计算机视觉
  datasets:
• imagenet-21k
  inference: false

视觉Transformer（大尺寸模型）

该视觉Transformer（ViT）模型基于ImageNet-21k数据集（1400万张图像，21,843个类别）以224x224分辨率预训练而成。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格式转换为PyTorch格式。荣誉归于他。

免责声明：发布ViT的团队未为此模型编写说明卡，故本说明卡由Hugging Face团队撰写。

模型描述

视觉Transformer（ViT）是一种类似于BERT的Transformer编码器模型，通过监督学习在大量图像（即ImageNet-21k）上以224x224像素分辨率预训练而成。

图像被分割为固定大小的块（16x16分辨率）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，并在输入Transformer编码器层前加入绝对位置嵌入。

需注意，此模型未提供任何微调头部（这些部分被谷歌研究人员置零），但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，可用于提取下游任务所需的特征：例如，若有标注图像数据集，可在预训练编码器顶部添加线性层以训练标准分类器。通常会在[CLS]标记顶部添加线性层，因该标记的最后隐藏状态可视为整张图像的表示。

预期用途与限制

此原始模型可用于图像嵌入，但主要适用于下游任务的微调。

使用方法

使用方式如下：

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('google/vit-large-patch16-224-in21k')  
model = ViTModel.from_pretrained('google/vit-large-patch16-224-in21k')  

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

当前特征提取器和模型仅支持PyTorch，TensorFlow和JAX/FLAX版本即将推出，且ViTFeatureExtractor的API可能变更。

训练数据

ViT模型在ImageNet-21k上预训练，该数据集包含1400万张图像和21k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见此处。

图像被统一缩放至224x224分辨率，并通过RGB通道标准化（均值0.5，标准差0.5）。

预训练

模型在TPUv3硬件（8核）上训练。所有变体均采用4096的批次大小和10k步学习率预热。对于ImageNet，作者发现全局范数为1的梯度裁剪额外有效。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，请参阅原论文表2和表5。注意微调时，更高分辨率（384x384）可获得最佳结果。显然，增大模型尺寸会提升性能。

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}  
}