Vision Transformer（大型模型）

Vision Transformer（ViT）模型在ImageNet-21k（1400万张图片，21843类别）上进行了预训练，分辨率为224x224，并在ImageNet 2012（100万张图片，1000类别）上进行了微调，分辨率为384x384。该模型最初由Dosovitskiy等人在论文《 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 》中提出，并在《 this repository 》中首次发布。但权重是由Ross Wightman从《 timm repository 》转换而来，他已经将权重从JAX转换为PyTorch。感谢他的工作。

免责声明：发布ViT的团队未为该模型撰写模型卡片，因此此模型卡片由Hugging Face团队编写。

模型描述

Vision Transformer（ViT）是一个基于transformer encoder模型（类似BERT）的预训练模型，以有监督的方式在大量图像（即ImageNet-21k）上进行预训练，分辨率为224x224像素。然后，该模型在ImageNet上进行了微调（也称为ILSVRC2012），该数据集包含了100万张图片和1000个类别，分辨率为384x384。

图像以固定大小的补丁序列的形式呈现给模型（分辨率为16x16），然后进行线性嵌入。还在序列的开头添加了[CLS]令牌，用于分类任务。在将序列馈送到Transformer编码器的层之前，还会添加绝对位置嵌入。

通过预训练该模型，它学习了图像的内部表示，可以用于提取对下游任务有用的特征：例如，如果您有一个带有标签图像的数据集，可以在预训练的编码器上方放置一个线性层来训练一个标准分类器。通常将线性层放置在[CLS]令牌上方，因为该令牌的最后隐藏状态可以看作是整个图像的表示。

预期用途和限制

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

使用方式

下面是如何使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一：

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-patch16-384')
model = ViTForImageClassification.from_pretrained('google/vit-large-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，特性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类别的数据集《 ImageNet-21k 》上进行了预训练，并在包含100万张图片和1k类别的数据集《 ImageNet 》上进行了微调。

训练过程

预处理

在训练/验证期间进行图像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，微调期间为384x384），并在RGB通道上进行归一化，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）上进行训练。所有模型变体都使用4096的批量大小进行训练，并在10k个步骤后应用学习率预热。对于ImageNet，作者发现此外还应用全局范数1的梯度剪裁，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，微调时，使用更高的分辨率（384x384）可以获得最佳结果。当然，增加模型大小会导致更好的性能。

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}
}