BEiT（大型模型，对ImageNet-1k进行了微调）

BEiT模型采用自监督方式在ImageNet-21k（1400万张图像，21841个类别）上进行了预训练，分辨率为224x224，并在ImageNet 2012（100万张图像，1000个类别）上进行了384x384分辨率的微调。这个模型是由包航波、董立和韦斯夫鲁在论文 BEIT: BERT Pre-Training of Image Transformers 中提出的，并于 this repository 首次发布。

免责声明：发布BEiT的团队没有为这个模型编写模型卡片，因此这个模型卡片是由Hugging Face团队编写的。

模型描述

BEiT模型是一种Vision Transformer（ViT），这是一种变压器编码器模型（类似BERT）。与原始的ViT模型相比，BEiT是在一个大型的图像数据集上进行的自监督预训练，即ImageNet-21k，分辨率为224x224像素。该模型的预训练目标是根据OpenAI的DALL-E的VQ-VAE编码器中的掩码补丁，预测视觉标记。随后，该模型在ImageNet上进行了监督式微调（也称为ILSVRC2012），这是一个包含100万张图像和1000个类别的数据集，同样分辨率为224x224。

图像以一系列固定大小的补丁（分辨率为16x16）的形式呈现给模型，并进行线性嵌入。与原始的ViT模型不同，BEiT模型使用了相对位置嵌入（类似于T5），而不是绝对位置嵌入，同时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一个线性层来对图像进行分类。

通过预训练模型，它可以学习到图像的内部表示，这些表示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。通常会在[CLS]标记的顶部放置一个线性层，因为这个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，并在其上放置一个线性层。

使用目的和限制

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。

使用方法

以下是如何使用该模型将COCO 2017数据集中的图像分类为其中一个1000个ImageNet类别的示例：

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-patch16-384')
model = BeitForImageClassification.from_pretrained('microsoft/beit-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个类别的数据集上进行的预训练，然后在包含100万张图像和1k个类别的数据集上进行了微调。

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，请参阅 here 。

图像被调整大小/缩放到相同的分辨率（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）进行归一化。

预训练

有关所有与预训练相关的超参数，我们参考 original paper 中的第15页。

评估结果

有关几个图像分类基准测试的评估结果，请参见原始论文的表格1和表格2。请注意，对于微调，最佳结果是使用较高的分辨率（384x384）获得的。当然，增加模型大小会提高性能。

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}
}