Beit（Bidirectional Encoder Image Transformer）是微软提出的视觉预训练模型，通过掩码图像建模（Masked Image Modeling, MIM）学习图像表示。其核心将图像分块并随机掩码部分区域，利用Transformer预测被掩码区域的视觉词汇（Visual Token），模仿BERT的文本预训练策略。Beit引入视觉分词器（Visual Tokenizer）将图像块编码为离散符号，强化模型对全局上下文的理解能力。在ImageNet分类、ADE20K分割等任务中超越传统监督学习模型，支持自监督/半监督训练，减少对标注数据的依赖。适用于图像理解、医学影像分析及多模态下游任务扩展，为高效视觉表征学习提供通用框架。

源模型

• 输入尺寸: 1x3x224x224
• 参数量: 82.52M
• 模型大小: 360.02MB
• 输出尺寸：1x1000

源模型工程请访问：beit

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/model_farm_{model_name}_aidlite
    
    |__ models # folder where model files are stored

    |__ python # aidlite python model inference example

    |__ cpp # aidlite cpp model inference example

    |__ README.md