cv_beitv2-large_image-classification_patch16_224_pt1k_ft22k_in1k

通用预训练模型介绍

BEiTv2(large模型，在ImageNet-1k上预训练，并在ImageNet-21k上进行微调)

BEiTv2模型先在ImageNet-1k(1419万张图像,1000个类别)数据集上以自监督的方式进行预训练，并在ImageNet-21k(1400万张图像，21,841个类别)数据集上进行微调，得到的预训练模型在下游ImageNet-1k分类任务上进行微调后，BEiTv2-large在ImageNet-1k验证集上达到了88.4%的top-1精度，在其它下游任务上也分别达到了SOTA的结果。

本系列还有如下模型，欢迎试用:

BEiTv2图像分类-通用-base

ViT图像分类-中文-日常物品

ViT图像分类-通用

NextViT实时图像分类-中文-日常物品

ConvNeXt图像分类-中文-垃圾分类

模型描述

BEiT(Bidirectional Encoder Image Transformers)是一个自监督视觉表示模型。受BERT在NLP领域中的启发，BEiT提出掩码图像建模(masked image modeling，MIM)任务来预训练Vision Transformer。

BEiT预训练过程如下：预训练之前，通过自编码器dVAE学习一个image tokenizer，其根据学习到的vocabulary，可以将一幅图像tokenized为离散visual tokens。在预训练期间，每个图像有两种视角：image patches和visual tokens。随机掩盖Image patches的一部分，并且用特定的mask embedding替换，然后将patches输入到backbone vision Transformer。预训练的目标是基于掩盖的image patches来恢复原有visual tokens。预训练BEiT之后，可以通过在预训练的encoder上添加特定任务的层，直接对下游任务的模型参数进行微调，预训练过程如图:

BEiTv2在BEiT的基础上对dVAE学到的语义空间进行深入的探讨和优化：使用矢量量化-知识蒸馏(Vector-quantized Knowledge Distillation，VQ-KD)的方法来学习生成视觉标志，该方法的核心思想是通过一个训练好的模型，例如CLIP或DINO作为Teacher来指导视觉标志的学习。BEiTv2和BEiT一样，它也是一个两阶段的模型：它的第一阶段是VQ-KD的训练，第二阶段是预训练模型的训练。为了提升BEiT的效果，BEiTv2做了如下改进：

提出了VQ-KD方法来对图像进行编码，它将原始图像作为输入，使用另外一个模型作为教师系统来引导视觉标志模型的训练。在通过VQ-KD得到图像的视觉标志之后，使用这个视觉标志作为预训练模型的训练目标。

VQ-KD计算流程:

为了学习图像的全局信息，BEiTv2在输入编码中拼接了[CLS]标志，然后通过对[CLS]标志的预训练来得到图像的全局信息，从而使得BEiTv2在线性探测(Linear Probe)方式也能拥有非常高的准确率。

掩码图像模型的计算流程:

在ImageNet-1K上，patch为16，分辨率为224x224，BEiTv2-large的top-1准确率相比BEiT-large从87.4%提高到了88.4%，超过从头开始训练DeiT模型的准确率。

本模型基于BEiTv2-large，patch为16，分辨率为224x224，先在ImageNet-1k进行预训练1600个epoch，并在ImageNet-21k上进行微调90个epoch，得到预训练模型后在ImageNet-1k上进行微调20个epoch，最终在ImageNet-1k验证集上的top-1精度为88.4%。

期望模型使用方式以及适用范围

本模型作为一个Transformer预训练模型，可直接作为分类、检测、分割等下游任务的预训练backbone，在下游任务数据集上进行少量微调即可得到很好的结果。

如何使用

在ModelScope框架上，提供输入图片，即可通过简单的Pipeline调用来使用。

代码范例

模型局限性以及可能的偏差

本模型以ImageNet-1K作为下游分类任务的示例，仅支持ImageNet-1K标签体系的1000类分类。如若在其它下游任务中使用，直接进行fine-tune即可。

模型基于ImageNet-1K、ImageNet-21K等公开数据集进行训练，生成结果可能会存在与训练数据分布相关的偏差。

fine-tune时超参不同，生成的结果可能有略微差异。

训练数据介绍

ImageNet-1k：ImageNet数据集包含14,197,122个带注释的图像。自2010年以来，作为图像分类的基准数据集，该数据集被用于ImageNet大规模视觉识别挑战(ILSVRC)。

ImageNet-21k：开源数据集，1400万张带注释的图像，共21,841个类别。

模型训练流程

主要训练参数参考BEiTv2论文中的设置，使用8张GPU，batchsize为1024，学习率为5e-5，使用Cosine进行5个epoch预热，一共微调训练20个epoch。

预处理

测试时主要的预处理如下：

Resize：先将原始图片的短边缩放至256

Normalize：图像归一化，减均值除以标准差

CenterCrop：裁切为224x224

数据评估及结果

模型在ImageNet1K验证集上的评估结果:

Model top-1 acc top-5 acc #params Remark

:--------: :-------: :--------: :-------: --------------

BEiTv2-large 88.4 98.6 304M modelscope

论文中模型在ImageNet1K验证集上的评估结果:

模型训练

使用托管在modelscope DatasetHub上的小型数据集mini imagenet100进行finetune训练的示例代码:

训练说明见示例代码中的注释，更详细的训练说明和用法见官方的训练文档。训练过程产生的log和模型权重文件保存在work dir工作目录中，并以前缀为'best '的文件保存了在验证集上最优精度的权重。evaluate()默认使用精度最高的模型权重进行评估。

模型评估

使用训练好的模型对需要评估的数据集进行精度评估示例代码如下:

评估过程默认使用模型中自带的预训练权重进行评估，以上对ImageNet1K验证集的评估结果为: result: {'accuracy top-1': 88.35600280761719, 'accuracy top-5': 98.5780029296875}

Clone with HTTP

引用

如果该模型对你有所帮助，请引用相关的论文：