Distilled Data-efficient Image Transformer（微型模型）

Distilled Data-efficient Image Transformer（DeiT）模型在ImageNet-1k（100万张图像，1,000个类别）上进行了预训练和微调，分辨率为224x224。它首先在Touvron等人的 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 转换而来的。

免责声明：发布DeiT的团队没有为这个模型编写模型卡片，所以这个模型卡片是由Hugging Face团队编写的。

模型描述

这个模型是一个蒸馏的Vision Transformer（ViT）。它使用蒸馏令牌（除了类别令牌）在预训练和微调过程中有效地从教师（CNN）中学习。蒸馏令牌通过自注意力层与类（[CLS]）和补丁令牌进行交互来进行反向传播学习。

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

预期的用途和限制

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

由于这个模型是一个蒸馏的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。这里我们使用AutoFeatureExtractor，它将自动根据模型名称使用适当的特征提取器。

下面是如何使用这个模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别之一：

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-tiny-distilled-patch16-224')
model = DeiTForImageClassificationWithTeacher.from_pretrained('facebook/deit-tiny-distilled-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])

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

这个模型是在 ImageNet-1k 上进行了蒸馏预训练和微调的，该数据集包含100万个图像和1,000个类别。

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/缩放为相同的分辨率（256x256），居中裁剪为224x224，并使用ImageNet的均值和标准差在RGB通道上进行归一化。

预训练

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

评估结果

请注意，对于微调，使用较高的分辨率（384x384）可以获得最佳结果。当然，增加模型大小将获得更好的性能。

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}
}