🚀 视觉变换器（大型模型）

视觉变换器（ViT）是一种基于Transformer架构的图像识别模型，它在大规模图像数据上进行预训练，然后在特定任务上进行微调，能够有效提取图像特征，用于图像分类等下游任务。

🚀 快速开始

视觉变换器（ViT）是一个基于Transformer编码器的模型（类似BERT），它在大规模图像数据集上进行有监督预训练，即ImageNet - 21k（包含1400万张图像和21843个类别），分辨率为224x224像素。之后，该模型在ImageNet（也称为ILSVRC2012，包含100万张图像和1000个类别）上进行微调，分辨率同样为224x224。

✨ 主要特性

• 预训练与微调：在ImageNet - 21k上预训练，再在ImageNet上微调，能学习到图像的内在表示，可用于下游任务特征提取。
• 图像输入处理：将图像分割成固定大小的图像块（分辨率16x16），线性嵌入后添加[CLS]标记用于分类任务，并添加绝对位置嵌入。
• 下游任务应用：可在预训练编码器上添加线性层，训练标准分类器用于图像分类。

📦 安装指南

文档未提及安装步骤，此部分跳过。

💻 使用示例

基础用法

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-patch16-224')
model = ViTForImageClassification.from_pretrained('google/vit-large-patch16-224')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

高级用法

目前文档未提及高级用法相关代码，此部分暂不展示。

📚 详细文档

模型描述

视觉变换器（ViT）是一个基于Transformer编码器的模型（类似BERT），它在大规模图像数据集上进行有监督预训练，即ImageNet - 21k（包含1400万张图像和21843个类别），分辨率为224x224像素。之后，该模型在ImageNet（也称为ILSVRC2012，包含100万张图像和1000个类别）上进行微调，分辨率同样为224x224。

图像以固定大小的图像块序列（分辨率16x16）的形式输入到模型中，并进行线性嵌入。同时，在序列开头添加一个[CLS]标记，用于分类任务。在将序列输入到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，可用于提取对下游任务有用的特征。例如，如果你有一个带标签的图像数据集，可以在预训练编码器上添加一个线性层，训练一个标准分类器。通常，会在线性层之上添加一个线性层，因为[CLS]标记的最后一个隐藏状态可以看作是整个图像的表示。

预期用途和限制

你可以使用原始模型进行图像分类。请查看模型中心，寻找针对你感兴趣的任务进行微调的版本。

训练数据

ViT模型在ImageNet - 21k上进行预训练，该数据集包含1400万张图像和21000个类别；并在ImageNet上进行微调，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确切细节可以在此处找到。

图像被调整大小/缩放至相同的分辨率（224x224），并在RGB通道上进行归一化，均值为(0.5, 0.5, 0.5)，标准差为(0.5, 0.5, 0.5)。

预训练

该模型在TPUv3硬件（8核）上进行训练。所有模型变体均以4096的批量大小和10000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的梯度裁剪是有益的。预训练分辨率为224。

评估结果

关于几个图像分类基准的评估结果，请参考原论文的表2和表5。请注意，对于微调，在更高的分辨率（384x384）下可获得最佳结果。当然，增加模型大小会提高性能。

BibTeX引用和引用信息

@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}
}

📄 许可证

本项目采用Apache - 2.0许可证。

⚠️ 重要提示

目前，特征提取器和模型均支持PyTorch。Tensorflow和JAX/FLAX即将支持，并且ViTFeatureExtractor的API可能会发生变化。

💡 使用建议

若需进行图像分类任务，可先参考模型中心的微调版本，选择适合自己任务的模型进行使用。