license: apache-2.0 tags:

• 视觉
• 图像分类 datasets:
• imagenet-1k

混合视觉变换器（基础尺寸模型）

混合视觉变换器（ViT）模型由Alexey Dosovitskiy等人在论文《一张图像值16x16个词：大规模图像识别的变换器》中提出。这是首篇成功在ImageNet上训练Transformer编码器的论文，相比传统卷积架构取得了优异效果。ViT混合版是普通视觉变换器的轻微变体，通过利用卷积主干网络（特别是BiT）的特征作为Transformer的初始"词元"。

免责声明：发布ViT的团队未为此模型编写说明卡，本说明卡由Hugging Face团队撰写。

模型描述

虽然Transformer架构已成为自然语言处理任务的事实标准，但其在计算机视觉中的应用仍有限。在视觉领域，注意力机制要么与卷积网络结合使用，要么用于替换卷积网络的某些组件而保持整体结构。我们证明这种对CNN的依赖并非必要，直接应用于图像块序列的纯变换器能在图像分类任务中表现优异。当在大规模数据上预训练并迁移到多个中型或小型图像识别基准（ImageNet、CIFAR-100、VTAB等）时，视觉变换器（ViT）相比最先进的卷积网络可获得更优结果，同时训练所需计算资源显著减少。

预期用途与限制

您可将原始模型用于图像分类。参阅模型中心寻找您感兴趣任务的微调版本。

使用方法

以下示例展示如何使用本模型将COCO 2017数据集的图像分类为1000个ImageNet类别之一：

from transformers import ViTHybridImageProcessor, ViTHybridForImageClassification
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 = ViTHybridImageProcessor.from_pretrained('google/vit-hybrid-base-bit-384')
model = ViTHybridForImageClassification.from_pretrained('google/vit-hybrid-base-bit-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])
>>> 虎斑猫

更多代码示例请参阅文档。

训练数据

ViT-Hybrid模型在包含1400万图像和21k类别的ImageNet-21k上预训练，并在包含100万图像和1k类别的ImageNet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)，并通过RGB通道均值(0.5, 0.5, 0.5)和标准差(0.5, 0.5, 0.5)进行归一化。

预训练

模型在TPUv3硬件（8核）上训练。所有变体均采用4096的批次大小和10k步学习率预热。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪有益。训练分辨率为224。

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2和表5。注意微调时，更高分辨率(384x384)可获得最佳结果。当然，增大模型尺寸会提升性能。

BibTeX条目与引用信息

@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}
}