许可协议：apache-2.0
标签：

• 视觉
• 图像分类
  数据集：
• imagenet
• imagenet-21k

Vision Transformer（基础规模模型）

Vision Transformer（ViT）模型先在ImageNet-21k（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（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《一张图片相当于16x16个词：大规模图像识别的Transformer》中提出，并首次发布于此代码库。不过，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。荣誉归于他。

免责声明：发布ViT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

Vision Transformer（ViT）是一种类似BERT的Transformer编码器模型，通过监督学习在大量图像（即ImageNet-21k，分辨率为224x224像素）上进行预训练。随后，模型在更高分辨率（384x384）的ImageNet（也称ILSVRC2012）数据集上微调，该数据集包含100万张图像和1,000个类别。

图像以固定大小的块序列（分辨率为16x16）形式输入模型，这些块经过线性嵌入。序列开头还添加了一个[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，可用于提取下游任务所需的特征：例如，如果有标注图像数据集，可以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

可直接使用该原始模型进行图像分类。请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该模型将COCO 2017数据集中的图像分类为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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-384')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型预测1,000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，且ViTFeatureExtractor的API可能会变更。

训练数据

ViT模型先在ImageNet-21k上预训练，该数据集包含1,400万张图像和21k个类别；随后在ImageNet上微调，该数据集包含100万张图像和1k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详见此处。

图像被调整大小/缩放至相同分辨率（预训练时为224x224，微调时为384x384），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）进行归一化。

预训练

模型在TPUv3硬件（8核）上训练。所有模型变体均以4,096的批量大小和10k步的学习率预热进行训练。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪有益。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，请参阅原论文的表2和表5。注意，微调时使用更高分辨率（384x384）可获得最佳结果。当然，增大模型规模会提升性能。

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}
}