Vision Transformer（大型模型）

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）上进行了微调，同样的分辨率为224x224。该模型在Dosovitskiy等人的论文中介绍，并于[ this repository ]首次发布。然而，权重是由Ross Wightman从[ timm repository ]转换而来，他已经将权重从JAX转换为PyTorch。由此，给予他的认可。 Credit。

免责声明: 发布ViT的团队没有为该模型编写模型卡片，因此此模型卡片是由Hugging Face团队编写的。

模型描述

Vision Transformer（ViT）是一个基于transformer的编码模型（类似于BERT），以224x224像素的分辨率在大型图像集ImageNet-21k上进行预先训练。接下来，该模型在ImageNet（也称为ILSVRC2012）上进行了微调，该数据集包含100万张图像和1000个类别，分辨率仍为224x224。

将图像作为固定大小（16x16分辨率）的补丁序列展示给模型，然后对其进行线性嵌入。还在序列前添加了[CLS]标记，用于分类任务。在将序列馈送到Transformer编码器的层之前，还添加了绝对位置嵌入。

通过预训练模型，它学习了图像的内部表示，然后可以用于提取下游任务有用的特征：如果您有一个标记图像的数据集，可以通过在预训练编码器顶部放置一个线性层来训练一个标准分类器。通常会在[CLS]标记的顶部放置一个线性层，因为该标记的最后隐藏状态可以被视为整个图像的表示。

目标用途和限制

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。

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-large-patch16-224')
model = ViTForImageClassification.from_pretrained('google/vit-large-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，ViTFeatureExtractor的API可能会发生变化。

训练数据

ViT模型在包含1400万张图像和21k个类别的[ ImageNet-21k ]上进行了预训练，并在包含100万张图像和1k个类别的[ ImageNet ]上进行了微调。

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，请参见[ here ]。

图像被调整大小/缩放到相同的分辨率（224x224），并在RGB通道上进行了标准化，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）上进行了训练。所有模型变体的批处理大小为4096，学习率预热步数为10k步。对于ImageNet，作者发现在全局范数1处额外应用梯度剪裁是有益的。预训练分辨率为224。

评估结果

有关几个图像分类基准测试的评估结果，请参考原文中的表2和表5。请注意，对于微调，使用更高的分辨率（384x384）可以获得最佳结果。当然，增加模型大小将导致更好的性能。

BibTex条目和引文信息

@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}
}