license: apache-2.0
tags:

• 图像分类
• 视觉
  datasets:
• imagenet
• imagenet-21k

BEiT（大尺寸模型，基于ImageNet-1k微调）

BEiT模型以自监督方式在ImageNet-21k（1400万张图像，21,841个类别）上以224x224分辨率进行预训练，并在ImageNet 2012（100万张图像，1000个类别）上以512x512分辨率进行微调。该模型由Hangbo Bao、Li Dong和Furu Wei在论文《BEIT: BERT Pre-Training of Image Transformers》中提出，并首次发布于此代码库。

免责声明：发布BEiT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

BEiT模型是一种视觉Transformer（ViT），即类似BERT的Transformer编码器模型。与原始ViT模型不同，BEiT以自监督方式在大量图像（ImageNet-21k）上以224x224像素分辨率进行预训练。其预训练目标是根据掩码图像块预测OpenAI DALL-E的VQ-VAE编码器生成的视觉标记。随后，模型以监督方式在ImageNet（也称ILSVRC2012）上微调，该数据集包含100万张图像和1000个类别，分辨率同样为224x224。

图像以固定尺寸块（16x16分辨率）的序列形式输入模型，并进行线性嵌入。与原始ViT模型不同，BEiT采用相对位置嵌入（类似T5）而非绝对位置嵌入，并通过平均池化图像块最终隐藏状态进行分类，而非在[CLS]标记的最终隐藏状态上添加线性层。

通过预训练，模型学习到图像的内在表示，可用于提取下游任务所需的特征。例如，若有标注图像数据集，可在预训练编码器顶部添加线性层训练标准分类器。通常可在[CLS]标记顶部添加线性层，因其最终隐藏状态可视为整张图像的表示；或对图像块嵌入的最终隐藏状态进行平均池化后添加线性层。

预期用途与限制

此原始模型可用于图像分类。访问模型中心可查找针对特定任务微调的版本。

使用方法

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

from transformers import BeitFeatureExtractor, BeitForImageClassification
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 = BeitFeatureExtractor.from_pretrained('microsoft/beit-large-patch16-512')
model = BeitForImageClassification.from_pretrained('microsoft/beit-large-patch16-512')
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。

训练数据

BEiT模型在ImageNet-21k（含1400万张图像和21k类别）上预训练，并在ImageNet（含100万张图像和1k类别）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/缩放到相同分辨率（224x224），并在RGB通道上以均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）归一化。

预训练

所有预训练相关超参数请参阅原论文第15页。

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1和表2。注意微调时更高分辨率（384x384）可获得最佳结果。增大模型尺寸会进一步提升性能。

BibTeX引用信息

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@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}
}