修改

修改 README.md 中的示例并添加 NPU 支持；
修改 README.md 中的“预期用途和限制”部分。

Vision Transformer（基础尺寸模型）

Vision Transformer（ViT）模型在 ImageNet-21k（1400 万张图像，21,843 个类别）上以 224x224 分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1,000 个类别）上以 224x224 分辨率进行微调。它由 Dosovitskiy 等人在论文《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》中提出，并首次在此仓库发布。不过，权重是由 Ross Wightman 从 timm 仓库转换而来，他已将权重从 JAX 转换为 PyTorch。在此表示感谢。

免责声明：发布 ViT 的团队未为此模型编写模型卡片，因此本模型卡片由 Hugging Face 团队编写。

模型描述

Vision Transformer（ViT）是一种 Transformer 编码器模型（类 BERT），在大量图像集合上以监督方式进行预训练，即 ImageNet-21k，分辨率为 224x224 像素。随后，模型在 ImageNet（也称为 ILSVRC2012）上进行微调，该数据集包含 100 万张图像和 1,000 个类别，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。还会在序列开头添加一个 [CLS] 标记，用于分类任务。在将序列输入 Transformer 编码器的各层之前，还会添加绝对位置嵌入。

通过预训练模型，它学习图像的内部表示，然后可用于提取对下游任务有用的特征：例如，如果有一个带标签的图像数据集，可以通过在预训练编码器之上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] 标记之上，因为该标记的最后一个隐藏状态可被视为整个图像的表示。

预期用途与限制

您可以将原始模型用于图像分类。

使用方法

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 openmind_hub import snapshot_download
from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

model_path = snapshot_download("PyTorch-NPU/vit_base_patch16_224", revision="main", resume_download=True, ignore_patterns=["*.h5", "*.ot", "*.msgpack"])
processor = ViTImageProcessor.from_pretrained(model_path)
model = ViTForImageClassification.from_pretrained(model_path)

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])

如需更多代码示例，请参考文档。

训练数据

ViT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，随后在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找到。

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

模型在TPUv3硬件（8核）上进行训练。所有模型变体均采用4096的批次大小和10k步的学习率预热。对于ImageNet，作者发现额外应用全局范数为1的梯度裁剪是有益的。训练分辨率为224。

评估结果

有关多个图像分类基准的评估结果，请参考原始论文的表2和表5。请注意，在微调时，使用更高的分辨率（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

@misc{wu2020visual,
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision}, 
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},
      year={2020},
      eprint={2006.03677},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@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}
}

修改

修改 README.md 中的示例并添加 NPU 支持；
修改 README.md 中的“预期用途和限制”部分。