Vision Transformer (小型模型，patch大小为8) 使用 DINO 方法进行训练

Vision Transformer (ViT) 是使用 DINO 方法进行训练的模型。它在 Mathilde Caron、Hugo Touvron、Ishan Misra、Hervé Jégou、Julien Mairal、Piotr Bojanowski、Armand Joulin 等人的论文 Emerging Properties in Self-Supervised Vision Transformers 中首次引入，并于 this repository 首次发布。

免责声明：DINO 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

Vision Transformer (ViT) 是一个在自监督方式下预训练的转换器编码模型（类似于BERT），它在分辨率为224x224像素的大量图像数据集上进行了训练，例如ImageNet-1k。

图像被呈现给模型作为一系列固定大小的patches（分辨率为8x8），这些patches被线性嵌入。此外，在输入序列的开头添加了一个[CLS]标记，用于分类任务。在将序列输入Transformer编码器的层之前，还会添加绝对位置嵌入。

请注意，这个模型不包括任何微调后的头部。

通过预训练模型，它学习了图像的内部表示，可以用于提取对下游任务有用的特征：例如，如果您有一个带有标签的数据集，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。通常会将线性层放置在[CLS]标记的顶部，因为该标记的最后隐藏状态可以视为整个图像的表示。

模型的使用目标和限制

您可以使用原始模型进行图像分类。参见 model hub 查找您感兴趣的任务上微调过的版本。

如何使用

以下是如何使用该模型的方法：

from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

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

processor = ViTImageProcessor.from_pretrained('facebook/dino-vits8')
model = ViTModel.from_pretrained('facebook/dino-vits8')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2104-14294,
  author    = {Mathilde Caron and
               Hugo Touvron and
               Ishan Misra and
               Herv{\'{e}} J{\'{e}}gou and
               Julien Mairal and
               Piotr Bojanowski and
               Armand Joulin},
  title     = {Emerging Properties in Self-Supervised Vision Transformers},
  journal   = {CoRR},
  volume    = {abs/2104.14294},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.14294},
  archivePrefix = {arXiv},
  eprint    = {2104.14294},
  timestamp = {Tue, 04 May 2021 15:12:43 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-14294.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}