许可协议：apache-2.0
标签：

• 视觉
• 图像分类
  数据集：
• imagenet-1k
• imagenet-21k
  示例展示：
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg
  示例标题：老虎
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg
  示例标题：茶壶
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg
  示例标题：宫殿

视觉变换器（基础尺寸模型）

视觉变换器（ViT）模型在ImageNet-21k（1400万张图像，21,843个类别）上以224x224分辨率进行预训练，并在ImageNet 2012（100万张图像，1,000个类别）上以相同分辨率进行微调。该模型由Dosovitskiy等人在论文《一张图片相当于16x16个词：大规模图像识别的变换器》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片，因此本卡片由Hugging Face团队撰写。

模型描述

视觉变换器（ViT）是一种类似BERT的变换器编码器模型，以监督方式在大量图像（即ImageNet-21k）上以224x224像素分辨率进行预训练。随后，模型在ImageNet（也称ILSVRC2012）上微调，该数据集包含100万张图像和1,000个类别，同样采用224x224分辨率。

图像以固定大小（16x16）的补丁序列形式输入模型，并进行线性嵌入。序列开头添加了[CLS]标记用于分类任务。在将序列输入变换器编码器层之前，还添加了绝对位置嵌入。

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张图像的表示。

预期用途与限制

可直接使用该模型进行图像分类。访问模型中心寻找针对特定任务微调的版本。

使用方法

以下示例展示如何将COCO 2017数据集的图像分类为1,000个ImageNet类别之一：

from transformers import ViTImageProcessor, ViTForImageClassification  
from PIL import Image  
import requests  

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'  
image = Image.open(requests.get(url, stream=True).raw)  

processor = ViTImageProcessor.from_pretrained('google/vit-base-patch16-224')  
model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224')  

inputs = processor(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])  

更多代码示例请参阅文档。

训练数据

ViT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见此处。

图像调整至统一分辨率（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）进行标准化。

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，作者发现全局范数为1的梯度裁剪额外有益。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。注意，微调时更高分辨率（384x384）可获得最佳结果。当然，增大模型尺寸会提升性能。

BibTeX条目及引用信息

@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}  
}