license: apache-2.0
tags:

• 图像分类
• 视觉
  datasets:
• imagenet

蒸馏版数据高效图像Transformer（微型尺寸模型）

该模型为蒸馏版数据高效图像Transformer（DeiT），在ImageNet-1k（100万张图像，1000个类别）上以224x224分辨率进行预训练和微调。最初由Touvron等人在论文《通过注意力机制训练数据高效的图像Transformer及蒸馏》中提出，并首次发布于此代码库。权重由Ross Wightman从timm库转换而来。

免责声明：DeiT发布团队未为此模型编写说明卡片，本卡片由Hugging Face团队撰写。

模型描述

该模型为蒸馏版视觉Transformer（ViT）。除类别标记外，它使用蒸馏标记在预训练和微调阶段从教师模型（CNN）高效学习。蒸馏标记通过反向传播与类别（CLS）标记及图像块标记在自注意力层中交互学习。

图像被处理为固定尺寸（16x16）的块序列，经线性嵌入后输入模型。

用途与限制

可直接用于图像分类任务。访问模型库寻找针对特定任务的微调版本。

使用方法

作为蒸馏ViT模型，可接入DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher。需使用DeiTFeatureExtractor处理数据，此处通过AutoFeatureExtractor自动匹配模型对应的特征提取器。

以下示例展示如何将COCO 2017数据集中的图像分类为ImageNet的1000个类别之一：

from transformers import AutoFeatureExtractor, DeiTForImageClassificationWithTeacher  
from PIL import Image  
import requests  
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'  
image = Image.open(requests.get(url, stream=True).raw)  
feature_extractor = AutoFeatureExtractor.from_pretrained('facebook/deit-tiny-distilled-patch16-224')  
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-tiny-distilled-patch16-224')  
inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  
logits = outputs.logits  
# 模型预测ImageNet类别  
predicted_class_idx = logits.argmax(-1).item()  
print("预测类别:", model.config.id2label[predicted_class_idx])  

当前特征提取器与模型仅支持PyTorch，TensorFlow和JAX/FLAX版本即将推出。

训练数据

该模型在ImageNet-1k上通过蒸馏进行预训练和微调，该数据集包含100万张图像和1000个类别。

训练流程

数据预处理

训练/验证期间图像预处理细节参见此处。

推理时，图像被缩放至256x256，中心裁剪为224x224，并按ImageNet均值和标准差进行RGB通道归一化。

预训练

模型在8-GPU节点上训练3天，分辨率为224。所有超参数（如批量大小和学习率）请参阅原论文表9。

评估结果

注：微调时，更高分辨率（384x384）可获最佳效果。增大模型规模也会提升性能。

BibTeX引用信息

@misc{touvron2021training,  
      title={Training data-efficient image transformers & distillation through attention},   
      author={Hugo Touvron and Matthieu Cord and Matthijs Douze and Francisco Massa and Alexandre Sablayrolles and Hervé Jégou},  
      year={2021},  
      eprint={2012.12877},  
      archivePrefix={arXiv},  
      primaryClass={cs.CV}  
}  

@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}  
}