license: apache-2.0
tags:

• 图像分类
• 视觉
  datasets:
• imagenet

蒸馏版数据高效图像Transformer（基础尺寸模型）

蒸馏数据高效图像Transformer（DeiT）模型，先在224x224分辨率下预训练，再于384x384分辨率下在ImageNet-1k（100万张图像，1000个类别）上微调。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

该模型是一个蒸馏版视觉Transformer（ViT）。除了类别标记外，它还使用一个蒸馏标记，在预训练和微调期间有效地从教师模型（CNN）中学习。蒸馏标记通过反向传播学习，通过自注意力层与类别（[CLS]）和图像块标记交互。

图像以固定大小图像块（16x16分辨率）的序列形式输入模型，这些图像块经过线性嵌入。

预期用途与限制

您可以将原始模型用于图像分类任务。查看模型中心以寻找您感兴趣任务的微调版本。

使用方法

由于这是一个蒸馏版ViT模型，您可以将其插入DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher中。注意，模型期望数据使用DeiTFeatureExtractor准备。这里我们使用AutoFeatureExtractor，它会根据模型名称自动选择合适的特征提取器。

以下是如何使用该模型将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, 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-base-distilled-patch16-384')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-base-distilled-patch16-384')
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版本即将推出。

训练数据

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

训练流程

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，图像会被调整大小/重新缩放至相同分辨率（438x438），中心裁剪为384x384，并使用ImageNet的均值和标准差对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。预训练分辨率为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，更高分辨率（384x384）能获得最佳结果。当然，增加模型尺寸也会提升性能。

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}
}