基于蒸馏的数据高效图像变换器（基础模型）

基于蒸馏的数据高效图像变换器（DeiT）模型是在ImageNet-1k上使用224x224分辨率进行预训练，并在384x384分辨率上进行微调的（100万张图像，1,000个类别）。它最初由Touvron等人在 Training data-efficient image transformers & distillation through attention 论文中提出，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的团队没有为此模型编写模型卡片，因此该模型卡片由Hugging Face团队编写。

模型描述

此模型是蒸馏的视觉Transformer（ViT）。它在预训练和微调过程中通过与类别（[CLS]）和补丁令牌通过自注意力层进行交互，使用蒸馏令牌（distillation token）有效地从教师（CNN）中学习。通过反向传播，蒸馏令牌通过自注意力层与类别和补丁令牌进行交互，从而学习得到。

图像以固定大小的补丁序列（16x16分辨率）的形式呈现给模型，然后进行线性嵌入。

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 以找到您感兴趣的任务的微调版本。

使用方法

由于此模型是蒸馏的ViT模型，您可以将其插入DeiTModel、DeiTForImageClassification或DeiTForImageClassificationWithTeacher模型中。注意，模型期望使用DeiTFeatureExtractor准备数据。在这里，我们使用AutoFeatureExtractor，它将根据模型名称自动使用适当的特征提取器。

以下是如何使用此模型将COCO 2017数据集的图像分类为1,000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-patch16-384')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-base-distilled-patch16-384')
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])

目前，特征提取器和模型都支持PyTorch。Tensorflow和JAX/FLAX即将推出。

训练数据

此模型是在包含1百万张图像和1k个类别的 ImageNet-1k 数据集上进行预训练和蒸馏的。

训练过程

预处理

关于训练/验证期间图像的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/缩放到相同分辨率（438x438），并在384x384处进行中心裁剪，然后使用ImageNet的均值和标准差对RGB通道进行归一化。

预训练

该模型在一台8-GPU节点上进行了3天的训练。预训练分辨率为224x224。有关所有超参数（如批量大小和学习率），请参考原始论文的表格9。

评估结果

请注意，进行微调时，最佳结果是使用更高的分辨率（384x384）。当然，增加模型大小会导致更好的性能。

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}
}