BEiT（基础尺寸模型，在ImageNet-1k上微调）

BEiT模型以自监督方式在ImageNet-21k（1400万张图像，21,841个类别）上进行预训练，分辨率为224x224，并在ImageNet 2012（100万张图像，1,000个类别）上进行微调，分辨率同样为224x224。

模型描述

BEiT模型是一种视觉Transformer（ViT），属于Transformer编码器模型（类BERT）。与原始ViT模型不同，BEiT在大量图像集合（即ImageNet-21k）上以自监督方式进行预训练，图像分辨率为224x224像素。该模型的预训练目标是基于掩码补丁，预测OpenAI的DALL-E的VQ-VAE编码器生成的视觉令牌。
随后，模型在ImageNet（也称为ILSVRC2012）上以监督方式进行微调。ImageNet是一个包含100万张图像和1,000个类别的数据集，微调时使用的图像分辨率同样为224x224。

图像以固定大小的补丁序列（分辨率16x16）形式输入模型，这些补丁经过线性嵌入处理。与原始ViT模型不同，BEiT模型使用相对位置嵌入（类似于T5）而非绝对位置嵌入，并且通过对补丁的最终隐藏状态进行平均池化来对图像进行分类，而不是在[CLS]令牌的最终隐藏状态之上放置线性层。

通过预训练，模型学习到图像的内部表示，这些表示可用于提取对下游任务有用的特征：例如，若有带标签的图像数据集，可在预训练编码器之上放置一个线性层，从而训练标准分类器。通常会在[CLS]令牌之上放置线性层，因为该令牌的最后一个隐藏状态可被视为整个图像的表示。或者，也可以对补丁嵌入的最终隐藏状态进行平均池化，然后在其之上放置线性层。

预期用途与局限性

您可以使用原始模型进行图像分类。有关在您感兴趣的任务上微调的版本，请查看相关模型。

如何使用

以下是使用此模型将 COCO 2017 数据集的图像分类为 1000 个 ImageNet 类别之一的方法：

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')
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，特征提取器和模型均支持 PyTorch。

训练数据

BEiT 模型在 ImageNet-21k 上进行预训练，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。

训练流程

预处理

训练/验证期间图像预处理的确切细节可在此处查看。

图像被调整大小/缩放至相同分辨率（224x224），并在 RGB 通道上进行归一化，均值为（0.5, 0.5, 0.5），标准差为（0.5, 0.5, 0.5）。

预训练

有关所有预训练相关的超参数，请参见原始论文的第 15 页。

评估结果

有关多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，在微调时，使用更高分辨率（384x384）可获得最佳结果。当然，增大模型尺寸会带来更好的性能。

BibTeX 条目和引用信息

@article{DBLP:journals/corr/abs-2106-08254,
  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}
}