Vision Transformer（基本尺寸模型）

Vision Transformer（ViT）模型在ImageNet-21k（1400万张图片，21843个类别）上进行了预训练，分辨率为224x224，并在ImageNet 2012（100万张图片，1000个类别）上进行了精调，分辨率为384x384。该模型首次在 this repository 中的Dosovitskiy等人的论文中提出，并在 timm repository 中的PyTorch中将权重转换为Ross Wightman中的JAX。感谢他们的贡献。

免责声明：发布ViT的团队未为该模型编写模型卡，因此该模型卡是由Hugging Face团队编写的。

模型描述

Vision Transformer（ViT）是一个在大量图像上以监督方式预训练的Transformer编码器模型（类似于BERT），分辨率为224x224像素。然后，该模型在ImageNet（也称为ILSVRC2012）上进行了精调，ImageNet是一个包含100万张图片和1000个类别的数据集，分辨率为384x384。

图像被呈现给模型时作为固定大小的补丁序列（分辨率为16x16），它们被线性嵌入。还在序列的开头添加了一个[CLS]标记，用于分类任务。在将序列提供给Transformer编码器的层之前，还会添加绝对位置嵌入。

通过对模型进行预训练，可以学习到图像的内部表示，然后可以用于提取用于下游任务的有用特征：例如，如果您有一个带标签的图像数据集，可以在预训练的编码器之上放置一个线性层来训练一个标准的分类器。通常将线性层放置在[CLS]标记之上，因为该标记的最后隐藏状态可以被视为整个图像的表示。

预期用途和限制

您可以使用原始模型进行图像分类。请参阅https://huggingface.co/models?pipeline_tag=image-classification&sort=downloads以查找您感兴趣的任务的精调版本。

使用方法

以下是使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的方法：

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-base-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-base-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，ViTFeatureExtractor的API可能会发生变化。

训练数据

ViT模型在包含1400万张图片和21k个类别的 ImageNet-21k 上进行了预训练，并在包含100万张图片和1k个类别的 ImageNet 上进行了精调。

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。

图像被调整大小/缩放到相同的分辨率（预训练期间为224x224，精调期间为384x384），并在RGB通道上进行归一化，平均值为（0.5, 0.5, 0.5），标准差为（0.5, 0.5, 0.5）。

预训练

模型在TPUv3硬件（8个核心）上进行训练。所有模型变体的批大小为4096，学习率预热为10k步。对于ImageNet，作者发现此外还将全局范数1的梯度裁剪应用于效果有益。预训练分辨率为224。

评估结果

有关几个图像分类基准的评估结果，请参阅原始论文的表2和表5。请注意，精调时，最佳结果是在更高的分辨率（384x384）下获得的。当然，增加模型大小将导致更好的性能。

BibTeX条目和引用信息

@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}
}