许可协议：apache-2.0
标签：

• 图像分类
• 视觉
  数据集：
• imagenet
• imagenet-21k

BEiT（大尺寸模型，基于ImageNet-22k微调）

BEiT模型以自监督方式在ImageNet-22k（也称为ImageNet-21k，包含1400万张图像和21,841个类别）上以224x224分辨率进行预训练，并在相同数据集上以224x224分辨率进行微调。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的团队未为此模型编写模型卡片，因此本模型卡片由Hugging Face团队撰写。

模型描述

BEiT模型是一种视觉Transformer（ViT），即类似BERT的Transformer编码器模型。与原始ViT模型不同，BEiT以自监督方式在大量图像（ImageNet-21k）上以224x224像素分辨率进行预训练。模型的预训练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，模型以监督方式在ImageNet（也称为ILSVRC2012，包含100万张图像和1,000个类别）上以224x224分辨率进行微调。

图像以固定大小的块序列（16x16分辨率）形式输入模型，并通过线性嵌入表示。与原始ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5）而非绝对位置嵌入，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]标记的最终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，可用于提取下游任务的特征：例如，如果有标注图像数据集，可以在预训练编码器顶部添加线性层训练标准分类器。通常会在[CLS]标记的最终隐藏状态上添加线性层，因为该标记的最终隐藏状态可视为整张图像的表示。另一种方法是平均池化所有图像块嵌入的最终隐藏状态，并在其顶部添加线性层。

预期用途与限制

此模型可直接用于图像分类。访问模型中心可查找针对特定任务微调的版本。

使用方法

以下示例展示如何使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别之一：

from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests

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

processor = BeitImageProcessor.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-224-pt22k-ft22k')

inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# 模型预测21,841个ImageNet-22k类别之一
predicted_class_idx = logits.argmax(-1).item()
print("预测类别:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型均支持PyTorch。

训练数据

BEiT模型在ImageNet-21k上预训练，该数据集包含1400万张图像和21k类别，并在相同数据集上微调。

训练流程

预处理

训练/验证期间图像预处理的具体细节详见此处。

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

所有预训练相关超参数请参阅原论文第15页。

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1和表2。注意，微调时更高分辨率会获得最佳结果。当然，增大模型尺寸会提升性能。

BibTeX引用信息

  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}
}

@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}
}