BEiT（基于ImageNet-1k进行微调的基础模型）

BEiT模型在ImageNet-21k（1400万图像，21,841个类别）上以自监督的方式进行预训练，分辨率为224x224，并在ImageNet 2012（100万图像，1,000个类别）上以分辨率384x384进行微调。该模型由Hangbo Bao、Li Dong和Furu Wei于 BEIT: BERT Pre-Training of Image Transformers 年发表，并于 this repository 年首次发布。

免责声明：BEiT团队未为该模型编写模型卡片，因此该模型卡片由Hugging Face团队编写。

模型描述

BEiT模型是一种Vision Transformer（ViT），它是一种变换器编码器模型（类似BERT）。与原始的ViT模型相比，BEiT模型在224x224像素的分辨率下以自监督的方式预训练了在ImageNet-21k上的大量图像。该模型的预训练目标是基于掩码补丁的OpenAI DALL-E的VQ-VAE的编码器，预测视觉标记。然后，该模型以监督的方式在ImageNet上进行微调（也称为ILSVRC2012），该数据集由100万张图像和1,000个类别组成，分辨率也为224x224。

图像以一系列固定大小的补丁（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模型相反，BEiT模型使用相对位置嵌入（类似于T5），而不是绝对位置嵌入，并且通过对补丁的最终隐藏状态进行平均池化，而不是在[CLS]标记的最终隐藏状态上放置线性层来对图像进行分类。

通过对模型进行预训练，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，如果您有一个带有标签的图像数据集，可以通过在预训练编码器的顶部放置线性层来训练标准分类器。通常可以在[CLS]标记的顶部放置线性层，因为该标记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池化，并在其上放置线性层。

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 ，查找您感兴趣的任务的微调版本。

使用方法

如何使用这个模型将COCO 2017数据集中的图像分类到1,000个ImageNet类别之一：

from transformers import BeitFeatureExtractor, BeitForImageClassification
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 = BeitFeatureExtractor.from_pretrained('microsoft/beit-base-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-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。

训练数据

BEiT模型是在 ImageNet-21k 上进行预训练的，该数据集包含1400万张图像和21k个类别，并在 ImageNet 上进行微调，该数据集包含100万张图像和1k个类别。

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通道上进行标准化，平均值为（0.5, 0.5, 0.5），标准偏差为（0.5, 0.5, 0.5）。

预训练

关于所有预训练相关的超参数，我们参考 original paper 的第15页。

评估结果

关于几个图像分类基准的评估结果，请参见原始论文的表1和表2。请注意，对于微调，最佳结果是在较高的分辨率（384x384）下获得的。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}
}