license: apache-2.0
tags:

• 图像分类
  datasets:
• imagenet-1k

数据高效图像Transformer（小尺寸模型）

数据高效图像Transformer（DeiT）模型在ImageNet-1k（100万张图像，1000个类别）上以224x224分辨率进行了预训练和微调。该模型首次由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。不过，权重是由Ross Wightman从timm代码库转换而来。

免责声明：发布DeiT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

该模型实际上是一种更高效训练的Vision Transformer（ViT）。

Vision Transformer（ViT）是一种类似于BERT的Transformer编码器模型，通过监督方式在大量图像（即ImageNet-1k）上以224x224像素分辨率进行预训练和微调。

图像以固定大小的块序列（分辨率为16x16）呈现给模型，这些块经过线性嵌入。此外，在序列开头添加一个[CLS]标记用于分类任务，并在将序列输入Transformer编码器层之前添加绝对位置嵌入。

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，如果有标注图像的数据集，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]标记顶部放置线性层，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。请参阅模型中心寻找感兴趣任务的微调版本。

使用方法

由于此模型是更高效训练的ViT模型，可将其插入ViTModel或ViTForImageClassification中。注意，模型要求使用DeiTFeatureExtractor准备数据。此处使用AutoFeatureExtractor，它会根据模型名称自动选择适当的特征提取器。

以下示例展示如何使用该模型将COCO 2017数据集中的一张图像分类为1000个ImageNet类别之一：

from transformers import AutoFeatureExtractor, ViTForImageClassification  
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-small-patch16-224')  
model = ViTForImageClassification.from_pretrained('facebook/deit-small-patch16-224')  
inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  
logits = outputs.logits  
# 模型预测1000个ImageNet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。TensorFlow和JAX/FLAX即将推出。

训练数据

ViT模型在ImageNet-1k上预训练，该数据集包含100万张图像和1k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。

推理时，图像会调整/缩放到相同分辨率（256x256），中心裁剪为224x224，并使用ImageNet均值和标准差对RGB通道进行归一化。

预训练

模型在单台8-GPU节点上训练了3天。训练分辨率为224。所有超参数（如批大小和学习率）请参考原论文表9。

评估结果

注意，微调时使用更高分辨率（384x384）可获得最佳结果。当然，增加模型尺寸会提升性能。

BibTeX条目及引用信息

@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}  
}