license: apache-2.0
tags:

• 图像分类
  datasets:
• imagenet-1k

数据高效图像Transformer（基础尺寸模型）

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分辨率进行预训练和微调。该模型由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》中首次提出，并发布于此代码库。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

该模型实际上是一个经过更高效训练的Vision Transformer（ViT）。

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

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。同时，在序列开头添加一个[CLS]标记用于分类任务。在将序列输入Transformer编码器层之前，还会添加绝对位置嵌入。

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，如果您有一个带标签的图像数据集，可以在预训练编码器顶部添加一个线性层来训练标准分类器。通常会在[CLS]标记顶部放置一个线性层，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

您可以将原始模型用于图像分类。请参阅模型中心以查找您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，您可以将其插入ViTModel或ViTForImageClassification中。请注意，模型期望数据使用DeiTFeatureExtractor进行预处理。这里我们使用AutoFeatureExtractor，它会根据模型名称自动选择适当的特征提取器。

以下是如何使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例：

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-base-patch16-224')
model = ViTForImageClassification.from_pretrained('facebook/deit-base-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上进行预训练，该数据集包含100万张图像和1000个类别。

训练过程

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。

在推理时，图像会被调整大小/重新缩放至相同分辨率（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

模型在单个8-GPU节点上训练了3天。训练分辨率为224。有关所有超参数（如批量大小和学习率），请参阅原始论文的表9。

评估结果

请注意，微调时，更高分辨率（384x384）会获得最佳结果。当然，增加模型尺寸也会提升性能。

BibTeX条目及引用信息

@misc{touvron2021training,
      title={通过注意力机制训练数据高效的图像Transformer及蒸馏}, 
      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={视觉Transformer：基于标记的图像表示与计算机视觉处理}, 
      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：大规模分层图像数据库},
  author={Deng, Jia and Dong, Wei and Socher, Richard and Li, Li-Jia and Li, Kai and Fei-Fei, Li},
  booktitle={2009年IEEE计算机视觉与模式识别会议},
  pages={248--255},
  year={2009},
  organization={Ieee}
}