Fine Tuning Vit Custom Dataset
用自定义生物医学数据集微调视觉 Transformer 模型
作者: Emre Albayrak
本指南概述了在自定义生物医学数据集上微调视觉 transformer（ViT）模型的过程。它包括加载数据集和准备数据集的步骤，为不同的数据拆分设置图像转换，配置和初始化 ViT 模型，以及定义具有评估和可视化工具的训练过程。
数据集信息
自定义数据集是手工制作的，包含 780 张图片，分为 3 类（良性，恶性，正常）。
模型信息
我们所要微调的模型是 Google 的 "vit-large-patch16-224" 模型，该模型可以在 Hugging Face 的模型库中找到。这个模型是在 ImageNet-21k 数据集上进行预训练的，该数据集包含 1400 万张图片和 21,843 个类别。之后，它在 ImageNet 2012 数据集上进行了微调，该数据集有 100 万张图片和 1000 个类别，图像分辨率统一为 224x224。Google 还提供了其他几种 ViT（Vision Transformer）模型，它们具有不同的图像尺寸和分割块大小。
现在，让我们开始吧。
开始
首先，让我们安装库。
(可选) 我们会把我们的模型推送到 hugging face hub 上，所以我们必须登录。
VBox(children=(HTML(value='<center> <img\nsrc=https://huggingface.co/front/assets/huggingface_logo-noborder.sv…
数据集准备
数据集库会自动从数据集中拉取图片和类别。若需更详细的信息，你可以访问这个链接。
DatasetDict({
, train: Dataset({
, features: ['image', 'label'],
, num_rows: 624
, })
, test: Dataset({
, features: ['image', 'label'],
, num_rows: 156
, })
,}) 我们已获得数据集。但我们没有验证集。为了创建验证集，我们将根据测试集的大小计算验证集作为训练集的一部分的大小。然后我们将训练数据集拆分为新的训练和验证子集。
DatasetDict({
, train: Dataset({
, features: ['image', 'label'],
, num_rows: 468
, })
, test: Dataset({
, features: ['image', 'label'],
, num_rows: 156
, })
,}) 我们已获得分离的训练集。现在让我们将其与测试集合并。
DatasetDict({
, train: Dataset({
, features: ['image', 'label'],
, num_rows: 468
, })
, validation: Dataset({
, features: ['image', 'label'],
, num_rows: 156
, })
, test: Dataset({
, features: ['image', 'label'],
, num_rows: 156
, })
,}) 完美！我们的数据集已经准备好了。现在我们将子集分配给不同的变量。我们将在后面使用它们以便于引用。
我们可以看到这张图片是一个与标签关联的PIL.Image对象。
{'image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=460x391>,
, 'label': 0} 我们还可以查看训练集的特征。
{'image': Image(mode=None, decode=True, id=None),
, 'label': ClassLabel(names=['benign', 'malignant', 'normal'], id=None)} 让我们从数据集中显示每个类的一个图像。
数据处理
数据集已经准备好了。但我们还没有为微调做好准备。我们将按照以下步骤进行：
-
标签映射： 我们将标签 ID 与其对应的名字之间进行转换，这对于模型训练和评估非常有用。
-
图像处理： 然后，我们使用 ViTImageProcessor 来标准化输入图像的大小，并应用特定于预训练模型的归一化。同时，我们还将为训练、验证和测试定义不同的转换，以使用 torchvision 提高模型的泛化能力。
-
转换函数： 实现函数以将转换应用于数据集，将图像转换为 ViT 模型所需格式和尺寸。
-
数据加载： 设置一个自定义的整理函数以正确地批量处理图像和标签，并创建一个 DataLoader 以在模型训练期间高效地加载数据和批量处理。
-
批量准备： 检索并显示样本批量中数据的形状，以验证处理是否正确并为模型输入做好准备。
标签映射
({0: 'benign', 1: 'malignant', 2: 'normal'}, 'benign') 图像处理
创建转换函数
将转换函数应用于每个集合
{'image': Image(mode=None, decode=True, id=None),
, 'label': ClassLabel(names=['benign', 'malignant', 'normal'], id=None)} {'image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=460x391>,
, 'label': 0,
, 'pixel_values': tensor([[[-0.2000, -0.1765, -0.1529, ..., -0.3098, -0.3490, -0.3412],
, [-0.2471, -0.2392, -0.2471, ..., -0.2392, -0.2235, -0.2000],
, [-0.3255, -0.3412, -0.3647, ..., -0.1765, -0.1608, -0.1529],
, ...,
, [-0.7333, -0.7412, -0.7647, ..., -0.7490, -0.7647, -0.7725],
, [-0.7255, -0.7176, -0.7333, ..., -0.7882, -0.7804, -0.7882],
, [-0.7412, -0.7333, -0.7412, ..., -0.7804, -0.7725, -0.7804]],
,
, [[-0.2000, -0.1765, -0.1529, ..., -0.3098, -0.3490, -0.3412],
, [-0.2471, -0.2392, -0.2471, ..., -0.2392, -0.2235, -0.2000],
, [-0.3255, -0.3412, -0.3647, ..., -0.1765, -0.1608, -0.1529],
, ...,
, [-0.7333, -0.7412, -0.7647, ..., -0.7490, -0.7647, -0.7725],
, [-0.7255, -0.7176, -0.7333, ..., -0.7882, -0.7804, -0.7882],
, [-0.7412, -0.7333, -0.7412, ..., -0.7804, -0.7725, -0.7804]],
,
, [[-0.2000, -0.1765, -0.1529, ..., -0.3098, -0.3490, -0.3412],
, [-0.2471, -0.2392, -0.2471, ..., -0.2392, -0.2235, -0.2000],
, [-0.3255, -0.3412, -0.3647, ..., -0.1765, -0.1608, -0.1529],
, ...,
, [-0.7333, -0.7412, -0.7647, ..., -0.7490, -0.7647, -0.7725],
, [-0.7255, -0.7176, -0.7333, ..., -0.7882, -0.7804, -0.7882],
, [-0.7412, -0.7333, -0.7412, ..., -0.7804, -0.7725, -0.7804]]])} 看起来我们将像素值转换成了张量。
数据加载
批量准备
pixel_values torch.Size([4, 3, 224, 224]) labels torch.Size([4])
完美！现在我们为微调过程做好了准备。
微调模型
现在我们将配置和微调模型。我们首先使用特定的标签映射和预训练设置初始化模型，调整大小不匹配的问题。训练参数被设置用来定义模型的学习过程，包括保存策略、批量大小和训练轮次，结果将通过 Weights & Biases 进行记录。Hugging Face Trainer 然后将实例化以管理训练和评估，利用自定义数据整理器和模型的内置处理器。最后，在训练之后，模型的性能将在测试数据集上进行评估，并打印指标以评估其准确性。
首先，我们调用我们的模型。
Some weights of ViTForImageClassification were not initialized from the model checkpoint at google/vit-large-patch16-224 and are newly initialized because the shapes did not match: - classifier.weight: found shape torch.Size([1000, 1024]) in the checkpoint and torch.Size([3, 1024]) in the model instantiated - classifier.bias: found shape torch.Size([1000]) in the checkpoint and torch.Size([3]) in the model instantiated You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
这里有一个微妙的细节。ignore_mismatched_sizes 参数。
当你在一个新数据集上微调预训练模型时，有时你的图像的输入大小或模型架构的特定细节（比如分类层中的标签数量）可能与模型最初训练时的大小不完全匹配。这可能会由于各种原因而发生，例如当你在完全不同类型的图像数据（如医学图像或专业相机图像）上使用在一种类型的图像数据（如ImageNet中的自然图像）上训练的模型时。
将 ignore_mismatched_sizes 设置为 True 允许模型调整其层以适应大小差异，而不会抛出错误。
例如，这个模型训练的类数是1000，即 torch.Size([1000])，它期望一个具有 torch.Size([1000]) 类的输入。我们的数据集有3类，即 torch.Size([3]) 类。如果我们直接给它，它会抛出错误，因为类别数量不匹配。
然后，为这个模型定义来自谷歌的训练参数。
(可选) 注意，由于我们将 report_to 参数设置为 wandb，指标将被保存在 Weights & Biases 中。W&B 将要求你提供一个 API 密钥，因此你应该创建一个账户和一个API密钥。如果你不希望这样做，你可以删除 report_to 参数。
我们现在可以使用 Trainer 开始微调过程。
TrainOutput(global_step=1880, training_loss=0.23721330723863968, metrics={'train_runtime': 1003.2398, 'train_samples_per_second': 18.66, 'train_steps_per_second': 1.874, 'total_flos': 5.128065177052447e+18, 'train_loss': 0.23721330723863968, 'epoch': 40.0}) | Epoch | 训练损失 | 验证损失 | 准确率 |
|---|---|---|---|
| 40 | 0.174700 | 0.596288 | 0.903846 |
微调过程已完成。接下来，我们继续使用测试集评估模型。
{'test_loss': 0.40843912959098816, 'test_runtime': 4.9934, 'test_samples_per_second': 31.242, 'test_steps_per_second': 7.81}
{'test_loss': 0.3219967782497406, 'test_accuracy': 0.9102564102564102, 'test_runtime': 4.0543, 'test_samples_per_second': 38.478, 'test_steps_per_second': 9.619}
(可选) 将模型推送到 Hub
我们可以使用 push_to_hub 将我们的模型推送到 Hugging Face Hub。
太棒了！让我们可视化结果。
结果
我们已经完成了微调。让我们看看我们的模型是如何预测类别的，使用 scikit-learn 的混淆矩阵显示，并展示召回率。
什么是混淆矩阵？
混淆矩阵是一种特定的表格布局，它允许可视化算法的性能，通常是监督学习模型，在一组已知真实值的测试数据上。它特别有用，因为可以检查分类模型的性能，因为它显示了真实标签与预测标签的频率。
让我们绘制我们模型的混淆矩阵。
<sklearn.metrics._plot.confusion_matrix.ConfusionMatrixDisplay at 0x7f44b1f289a0>
什么是召回率？
召回率是分类任务中使用的性能指标，用于衡量模型正确识别数据集中所有相关实例的能力。具体来说，召回率评估了模型正确预测为阳性的实际阳性比例。
让我们使用 scikit-learn 打印召回率。
Recall for benign: 0.90 Recall for malignant: 0.86 Recall for normal: 0.78
良性召回率为0.90， 恶性召回率为0.86， 正常召回率为0.78
结论
在这个指南中，我们介绍了如何使用医学数据集训练一个 ViT 模型。它涵盖了关键的步骤，如数据集准备、图像预处理、模型配置、训练、评估和结果可视化。通过利用 Hugging Face 的 Transformers 库、scikit-learn 和 PyTorch Torchvision，它促进了高效的模型训练和评估，提供了关于模型性能及其准确分类生物医学图像能力的宝贵见解。