BEiT（基于ImageNet-22k进行细调的基准模型）

BEiT模型是在ImageNet-22k（也称为ImageNet-21k，包含1400万张图像和21841个类别）上以224x224像素的分辨率，以自监督方式进行预训练的 - 由鲍航波、董立和魏赋儿在论文中首次提出，并于 this repository 年首次发布。

声明：发布BEiT的团队未为此模型编写模型卡片，因此该模型卡片由Hugging Face团队撰写。

模型描述

BEiT模型是一种视觉Transformer（ViT），它是一种变压器编码器模型（类似于BERT）。与原始的ViT模型相比，BEiT模型以自监督方式在ImageNet-21k（图像库的编码器，OpenAI的DALL-E的VQ-VAE）上用224x224像素的分辨率对大量图像进行了预训练。模型的预训练目标是基于被遮挡的补丁，从视觉令牌的编码器中预测。然后，模型以监督方式在ImageNet（也称为ILSVRC2012）上进行了微调，该数据集包括100万个图像和1000个类别，同样使用224x224分辨率。

图像以固定大小的补丁序列（16x16分辨率）的形式呈现给模型，这些补丁被线性嵌入。与原始的ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5）而不是绝对位置嵌入，并通过对补丁的最终隐藏状态进行平均汇聚，而不是在[CLS]标记的最终隐藏状态上叠加一个线性层，从而对图像进行分类。

通过预训练模型，它学习了图像的内部表示，然后可以用于提取用于下游任务的特征：例如，如果你有一个有标签图像的数据集，可以通过在预训练编码器的顶部放置一个线性层来训练一个标准分类器。通常将线性层放在[CLS]令牌的顶部，因为该令牌的最后隐藏状态可以看作是整个图像的表示。或者，可以对补丁嵌入的最终隐藏状态进行平均汇聚，并在其上方放置一个线性层。

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 以寻找您感兴趣的任务的微调版本。

如何使用

以下是使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别的方法：

from transformers import BeitImageProcessor, BeitForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = BeitImageProcessor.from_pretrained('microsoft/beit-base-patch16-224-pt22k-ft22k')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-patch16-224-pt22k-ft22k')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 21,841 ImageNet-22k classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

目前，特征提取器和模型均支持PyTorch。

训练数据

BEiT模型在包含1400万张图像和21841个类别的数据集上进行了预训练，并在同一数据集上进行了微调。

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，请参见 here 。

图像被调整大小/缩放为相同的分辨率（224x224），并在RGB通道上使用均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行标准化。

预训练

有关所有预训练相关的超参数，请参阅论文第15页。

评估结果

关于几种图像分类基准的评估结果，请参阅原始论文的表1和表2。请注意，对于微调，最佳结果是在更高分辨率下获得的。当然，增加模型大小将导致更好的性能。

BibTeX条目和引用信息

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@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}
}