BEiT（大型图像模型，基于ImageNet-1k进行微调）

BEiT模型是在ImageNet-21k（1400万张图像，21841个类别）上采用自监督方式进行预训练的，分辨率为224x224。然后，在ImageNet 2012（100万张图像，1000个类别）上进行了微调，分辨率为224x224。该模型由鲍航波、董立和魏富儒在论文 BEIT: BERT Pre-Training of Image Transformers 中提出，并在 this repository 中首次发布。

声明：发布BEiT模型的团队未为此模型编写模型卡片，因此此模型卡片由Hugging Face团队编写。

模型描述

BEiT模型是一种视觉Transformer（ViT），是一种转换器编码器模型（类似于BERT）。与原始的ViT模型不同，BEiT是以自监督方式在图像集合ImageNet-21k上进行预训练的，分辨率为224x224像素。该模型的预训练目标是基于OpenAI的DALL-E的VQ-VAE的编码器中的视觉令牌预测，该模型基于掩码补丁。然后，该模型在ImageNet（也称为ILSVRC2012）上以监督方式进行微调，该数据集包含100万张图像和1000个类别，分辨率也为224x224。

图像被呈现给模型作为一系列固定大小的补丁（分辨率16x16），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，并通过对补丁的最终隐藏状态进行平均池化来执行图像分类，而不是在[CLS]令牌的最终隐藏状态上放置线性层。

通过预训练模型，可以学习图像的内部表示，然后可以用于提取用于下游任务的特征：例如，如果您有一个带标签的图像数据集，可以通过在预训练编码器的顶部放置一个线性层来训练标准分类器。通常将线性层放置在[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池化，并在其上放置一个线性层。

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 以查找您感兴趣的任务的微调版本。

如何使用

您可以按照以下步骤对COCO 2017数据集中的图像进行分类，将其归类为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-large-patch16-224')
model = BeitForImageClassification.from_pretrained('microsoft/beit-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。

训练数据

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

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可以在 here 中找到。

图像被调整大小/重缩放为相同的分辨率（224x224），并在RGB通道上以均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

关于所有与预训练相关的超参数，请参阅 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，请参考原始论文的表1和表2。请注意，对于微调，最佳结果是在更高的分辨率（384x384）下获得的。当然，增加模型大小将带来更好的性能。

BibTeX条目和引文信息

  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}
}