许可协议：apache-2.0
标签：

• 视觉
• 图像分割
  数据集：
• scene_parse_150
  示例窗口：
• 图片源：https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg
  示例标题：房屋
• 图片源：https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000002.jpg
  示例标题：城堡

BEiT（大尺寸模型，基于ADE20k微调）

BEiT模型在ImageNet-21k（1400万张图像，21,841个类别）上以224x224分辨率进行自监督预训练，并在ADE20k（图像语义分割的重要基准数据集）上以640x640分辨率微调。该模型由Hangbo Bao、Li Dong和Furu Wei在论文BEIT: BERT Pre-Training of Image Transformers中提出，并首次发布于此代码库。

免责声明：发布BEiT的团队未编写此模型的说明卡片，故本卡片由Hugging Face团队撰写。

模型描述

BEiT模型是一种视觉Transformer（ViT），即类BERT的Transformer编码器架构。与原始ViT不同，BEiT以自监督方式在ImageNet-21k（224x224分辨率）的大规模图像集上预训练，其目标是基于掩码图像块预测OpenAI DALL-E的VQ-VAE编码器生成的视觉标记。随后，模型在ImageNet（ILSVRC2012，100万张图像，1000个类别）上以224x224分辨率进行监督式微调。

图像被处理为固定尺寸块（16x16分辨率）的序列并线性嵌入。不同于原始ViT，BEiT采用类似T5的相对位置编码而非绝对位置编码，并通过平均池化所有图像块的最终隐藏状态进行分类，而非在[CLS]标记的隐藏状态上添加线性层。

通过预训练，模型学习到图像的内在表示，可提取适用于下游任务的特征。例如对于语义分割，只需添加mmseg库中的解码头，并在标注图像上微调即可。作者采用UperHead分割解码头微调BEiT，使其在ADE20k和CityScapes等基准上取得SOTA结果。

使用场景与限制

该模型可直接用于图像语义分割任务。访问模型中心可查找针对特定任务的微调版本。

使用方法

语义分割调用示例：

from transformers import BeitFeatureExtractor, BeitForSemanticSegmentation
from datasets import load_dataset
from PIL import Image

# 加载ADE20k图像
ds = load_dataset("hf-internal-testing/fixtures_ade20k", split="test")

feature_extractor = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')
model = BeitForSemanticSegmentation.from_pretrained('microsoft/beit-large-finetuned-ade-640-640')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# 输出张量形状为(batch_size, num_labels, height/4, width/4)
logits = outputs.logits

当前特征提取器与模型仅支持PyTorch。

训练数据

本模型在包含1400万图像/21k类别的ImageNet-21k上预训练，并在数千张标注图像/150类别的ADE20k上微调。

训练流程

预处理

具体图像预处理细节参见此处。图像统一裁剪/填充至640x640分辨率，并按ImageNet均值标准差进行RGB通道归一化。

预训练

预训练超参数详见论文第15页原文。

评估结果

图像分类基准测试结果参见论文表1-2。需注意，微调时采用更高分辨率（384x384）可获得最佳性能，增大模型规模也能提升效果。

BibTeX引用

  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}
}