BEiT（基于ImageNet-1k的基准模型，经过精细调整）

BEiT模型在224x224像素的分辨率下，以自监督的方式在ImageNet-21k（1400万张图片，21841个类别）上进行了预训练，并在224x224像素的分辨率下在ImageNet 2012（100万张图片，1000个类别）上进行了精细调整。它是由鲍杭博、李东和魏夫儒在论文 BEIT: BERT Pre-Training of Image Transformers 中引入的，并首次在 this repository 中发布。

声明：发布BEiT的团队没有为此模型编写模型卡，因此该模型卡是由Hugging Face团队撰写的。

模型描述

BEiT模型是一种Vision Transformer（ViT），它是一种Transformer编码器模型（类似于BERT）。与原始的ViT模型相比，BEiT以自监督的方式在包含224x224像素的大量图片集ImageNet-21k上进行了预训练。该模型的预训练目标是基于DALL-E的VQ-VAE的编码器，根据掩码的补丁来预测视觉标记。之后，该模型以监督的方式在ImageNet（也称为ILSVRC2012）上进行了精细调整，该数据集包含了100万张图片和1000个类别，分辨率也为224x224。

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，并被线性嵌入。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池化来对图像进行分类，而不是在[CLS]标记的最终隐藏状态上放置线性层。

通过对模型进行预训练，它学习了图像的内在表示，可以用于提取对下游任务有用的特征：例如，如果你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标准的分类器。通常会在[CLS]标记之上放置一个线性层，因为该标记的最后隐藏状态可以被视为整个图像的表示。或者，可以对补丁嵌入的最终隐藏状态进行平均池化，并在其之上放置一个线性层。

使用目的和限制

你可以使用原始模型进行图像分类。查看 model hub 寻找你感兴趣的任务的经过精调的版本。

如何使用

以下是如何使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类别之一的示例：

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')
model = BeitForImageClassification.from_pretrained('microsoft/beit-base-patch16-224')

inputs = processor(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。

训练数据

BEiT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 上进行了精细调整。

训练过程

预处理

关于训练/验证期间图像预处理的详细信息可以在 here 找到。

图像被调整大小/缩放到相同的分辨率（224x224），并在RGB通道上通过平均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

关于所有预训练相关的超参数，请参考原始论文的第15页。

评估结果

关于几个图像分类基准测试的评估结果，请参考原始论文的表1和表2。请注意，进行精细调整时，使用更高的分辨率（384x384）会获得最佳结果。当然，增加模型的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}
}

作者:

Microsoft

数据集大小:

663.9 MB