license: apache-2.0 tags:

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

视觉Transformer（基础规模模型）

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分辨率进行预训练。该模型由Dosovitskiy等人在论文《一张图片相当于16x16个单词：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。荣誉归功于他。

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像素分辨率进行预训练。

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编码器层之前加入绝对位置嵌入。

请注意，此模型未提供任何微调头部，因为这些部分已被谷歌研究人员清零。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，如果有带标签的图像数据集，可以在预训练编码器顶部添加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

原始模型可用于图像分类。请查看模型中心寻找感兴趣任务的微调版本。

使用方法

以下是在PyTorch中使用该模型的方式：

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-base-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

以下是在JAX/Flax中使用该模型的方式：

from transformers import ViTImageProcessor, FlaxViTModel
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-base-patch16-224-in21k')
model = FlaxViTModel.from_pretrained('google/vit-base-patch16-224-in21k')

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

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/缩放至相同分辨率（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，请参考原论文的表2和表5。注意，微调时使用更高分辨率（384x384）可获得最佳结果。当然，增大模型规模会提升性能。

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}
}