许可协议：apache-2.0
标签：

• 图像分类
  数据集：
• imagenet-1k

数据高效图像Transformer（基础尺寸模型）

数据高效图像Transformer（DeiT）模型在ImageNet-1k（100万张图像，1000个类别）上以384x384分辨率进行了预训练和微调。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，并在此代码库中首次发布。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

该模型实际上是一种更高效训练的Vision Transformer（ViT）。

Vision Transformer（ViT）是一种类似于BERT的Transformer编码器模型，以监督方式在224分辨率下预训练，并在384分辨率下对大量图像（即ImageNet-1k）进行微调。

图像以固定大小的块（分辨率为16x16）序列形式输入模型，这些块经过线性嵌入。同时，在序列开头添加一个[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示，可用于提取下游任务所需的特征：例如，如果您有一个带标签的图像数据集，可以在预训练编码器顶部添加一个线性层来训练标准分类器。通常会在[CLS]标记顶部添加一个线性层，因为该标记的最后隐藏状态可以视为整个图像的表示。

预期用途与限制

您可以将原始模型用于图像分类。请查看模型中心以寻找您感兴趣任务的微调版本。

使用方法

由于此模型是更高效训练的ViT模型，您可以将其插入ViTModel或ViTForImageClassification中。注意，模型要求使用DeiTFeatureExtractor准备数据。这里我们使用AutoFeatureExtractor，它会根据模型名称自动选择适当的特征提取器。

以下是如何使用此模型将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, 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 = AutoFeatureExtractor.from_pretrained('facebook/deit-base-patch16-384')  
model = ViTForImageClassification.from_pretrained('facebook/deit-base-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即将推出。

训练数据

ViT模型在ImageNet-1k上进行了预训练，该数据集包含100万张图像和1000个类别。

训练过程

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。

在推理时，图像会被调整/缩放到相同分辨率（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（如批量大小和学习率）请参考原论文表9。

评估结果

注意，微调时，更高分辨率（384x384）会获得最佳结果。当然，增加模型尺寸会提升性能。

BibTeX条目及引用信息

@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}  
}