license: apache-2.0
tags:

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

视觉Transformer（大尺寸模型）

该视觉Transformer（ViT）模型先在ImageNet-21k数据集（1400万张图像，21,843个类别）上以224x224分辨率进行预训练，随后在ImageNet 2012数据集（100万张图像，1,000个类别）上以384x384分辨率进行微调。该模型由Dosovitskiy等人在论文《一张图像等价于16x16个单词：大规模图像识别的Transformer》中提出，并首次发布于该代码库。不过，模型权重是由Ross Wightman从timm代码库转换而来，他此前已将权重从JAX格式转换为PyTorch格式。荣誉归属于他。

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

模型描述

视觉Transformer（ViT）是一种类似BERT的Transformer编码器模型，采用监督方式在ImageNet-21k大规模图像集（224x224像素分辨率）上进行预训练。随后，该模型在更高分辨率（384x384）的ImageNet（亦称ILSVRC2012）数据集上微调，该数据集包含100万张图像和1,000个类别。

图像被处理为固定尺寸（32x32）的序列块并线性嵌入。序列前端会添加一个[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征，可提取适用于下游任务的特征：例如若您拥有带标注的图像数据集，可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]标记顶部添加线性层，因该标记的最后隐藏状态可视为整张图像的全局表征。

使用场景与限制

您可直接将此模型用于图像分类任务。可通过模型中心查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该模型将COCO 2017数据集的图像分类为1,000个ImageNet类别之一：

from transformers import ViTFeatureExtractor, 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 = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch32-384')
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])

当前特征提取器和模型仅支持PyTorch。TensorFlow和JAX/FLAX版本即将推出，ViTFeatureExtractor的API可能变更。

训练数据

ViT模型先在ImageNet-21k（含1400万图像和21k类别）上预训练，后在ImageNet（含100万图像和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。

图像会被调整/缩放至统一分辨率（预训练时224x224，微调时384x384），并通过RGB通道标准化（均值0.5，标准差0.5）。

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步的学习率预热。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪效果更佳。预训练分辨率为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。需注意微调时采用更高分辨率（384x384）可获得最佳结果。显然，增大模型尺寸会提升性能。

BibTeX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}
}