Distilled Data-efficient Image Transformer (base-sized model)

Distilled data-efficient Image Transformer (DeiT)模型在ImageNet-1k（100万张图片，1000个类别）数据集上进行了预训练和微调，分辨率为224x224。它最早由Touvron等人在论文 Training data-efficient image transformers & distillation through attention 中提出，并在 this repository 中首次发布。然而，权重是由Ross Wightman从 timm repository 进行转换的。

免责声明：发布DeiT的团队没有为该模型编写模型卡片，因此本模型卡片由Hugging Face团队编写。

模型描述

该模型是一种蒸馏的视觉Transformer（ViT）。它使用了一个蒸馏令牌，除了类别令牌之外，通过自注意层与教师（CNN）进行有效的学习，既在预训练过程中，也在微调过程中。蒸馏令牌通过与类别（[CLS]）和图块令牌之间的自注意层进行反向传播学习。

图像被呈现给模型时，作为固定尺寸图块的序列（分辨率16x16），这些图块被线性嵌入。

预期用途和限制

您可以使用原始模型进行图像分类。查看 model hub 以查找您感兴趣的任务的微调版本。

如何使用

由于该模型是一个蒸馏的ViT模型，您可以将其插入到DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher中。请注意，模型期望使用DeiTFeatureExtractor准备数据。在这里，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。

下面是如何使用该模型将COCO 2017数据集的图像分类为1000个ImageNet类别之一的示例：

from transformers import AutoFeatureExtractor, DeiTForImageClassificationWithTeacher
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-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-base-distilled-patch16-224')

inputs = feature_extractor(images=image, return_tensors="pt")

# forward pass
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])

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

该模型在 ImageNet-1k 上进行了预训练和微调，该数据集包含了100万张图片和1k个类别。

训练过程

预处理

有关训练/验证期间图像预处理的详细信息可以在 here 中找到。

推理时，图像被调整大小/缩放到相同的分辨率（256x256），以224x224为中心进行裁剪，并使用ImageNet的均值和标准差在RGB通道上进行归一化。

预训练

该模型在一台8-GPU节点上进行了3天的训练。训练分辨率为224。对于所有超参数（如批量大小和学习率），我们参考原论文的表9。

评估结果

请注意，对于微调，最佳结果是在更高的分辨率（384x384）下实现的。当然，增加模型大小会获得更好的性能。

BibTeX条目和引文信息

@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}
}