NFNet

카테고리: CNN · 코드: timm/models/nfnet.py · 아키텍처: 36 · 프리트레인드 가중치: 14 (ImageNet-1k 결과 포함 14개)

batch normalization 없이 scaled weight standardization을 사용하여 학습된 Normalization-Free 네트워크: adaptive gradient clipping을 갖춘 NFNet, NF-RegNet 및 pre-activation NF-ResNet 모델.

논문

사용

사전 학습된 가중치 로드, 이미지 전처리 및 파인튜닝에 대해서는 Quickstart를, 모델을 백본으로 사용하는 방법에 대해서는 Feature Extraction을 참고하세요.

>>> import timm
>>> model = timm.create_model('nf_resnet50.ra2_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

모델 API 지원

기능	`NormFreeNet`
`features_only=True` feature map	✓ (strides 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
입력 크기 무관, 변경 불필요	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
레이어별 LR 감쇠(`group_matcher()`)	✓
`reset_classifier()`	✓

✓ 지원됨, ✓ (정사각형) 정사각형 크기만 지원됨, ✗ 미지원, – 필요 없음(모델이 이미 모든 입력 크기를 허용함). 무작위로 초기화된 모델(NormFreeNet의 nf_regnet_b0, 192)에서 각 기능을 실행하여 확인했습니다. 같은 클래스의 다른 아키텍처도 동일한 동작을 할 것으로 예상됩니다. 자세한 내용은 Model API 페이지를 참조하세요.

아키텍처

아키텍처	매개변수 (M)	GMAC	입력 크기	사전 학습된 가중치
`dm_nfnet_f0`	71.49	7.21	192	1
`dm_nfnet_f1`	132.63	17.87	224	1
`dm_nfnet_f2`	193.78	33.76	256	1
`dm_nfnet_f3`	254.92	68.77	320	1
`dm_nfnet_f4`	316.07	122.14	384	1
`dm_nfnet_f5`	377.21	170.71	416	1
`dm_nfnet_f6`	438.36	229.70	448	1
`eca_nfnet_l0`	24.14	4.35	224	1
`eca_nfnet_l1`	41.41	9.62	256	1
`eca_nfnet_l2`	56.72	20.95	320	1
`eca_nfnet_l3`	72.04	32.57	352	0
`nf_ecaresnet26`	16.00	2.41	224	0
`nf_ecaresnet50`	25.56	4.21	224	0
`nf_ecaresnet101`	44.55	8.01	224	0
`nf_regnet_b0`	8.76	0.37	192	0
`nf_regnet_b1`	10.22	0.82	256	1
`nf_regnet_b2`	14.31	0.97	240	0
`nf_regnet_b3`	18.59	1.67	288	0
`nf_regnet_b4`	30.21	3.29	320	0
`nf_regnet_b5`	49.74	7.95	384	0
`nf_resnet26`	16.00	2.41	224	0
`nf_resnet50`	25.56	5.46	256	1
`nf_resnet101`	44.55	8.01	224	0
`nf_seresnet26`	17.40	2.41	224	0
`nf_seresnet50`	28.09	4.21	224	0
`nf_seresnet101`	49.33	8.02	224	0
`nfnet_f0`	71.49	7.21	192	0
`nfnet_f1`	132.63	17.87	224	0
`nfnet_f2`	193.78	33.76	256	0
`nfnet_f3`	254.92	68.77	320	0
`nfnet_f4`	316.07	122.14	384	0
`nfnet_f5`	377.21	170.71	416	0
`nfnet_f6`	438.36	229.70	448	0
`nfnet_f7`	499.50	300.08	480	0
`nfnet_l0`	35.07	4.36	224	1
`test_nfnet`	0.38	0.29	160	1

GMACs와 매개변수 수는 각 아키텍처의 기본 입력 크기 및 분류기에 대한 값이며, 벤치마크 결과에서 가져왔습니다.

사전 학습된 가중치

Top-1은 results-imagenet.csv에 나열된 평가 크기에서 측정된 ImageNet-1k 검증 정확도입니다. - 가중치에 ImageNet-1k 결과가 없는 경우(예: 사전 학습 또는 이미지-텍스트 가중치)에는 표시하지 않습니다. Classes는 사전 학습된 분류기의 크기를 나타내며, 분류기가 없는 가중치의 경우 none입니다.

Weights는 소스에 따라 그룹화됩니다. 사전 학습 설정에 명시된 논문 또는 출처, 그렇지 않으면 timm가 아닌 Hub 조직, 그렇지 않으면 사전 학습 태그의 첫 번째 부분(architecture.tag)입니다. 단일 weight만 있는 소스는 other에 나열됩니다.

dm 태그

가중치	입력 크기	Top-1(%)	평가 크기	클래스	라이선스	Hub
`dm_nfnet_f0.dm_in1k`	192 (테스트 256)	83.468	256	1000	apache-2.0	timm
`dm_nfnet_f1.dm_in1k`	224 (테스트 320)	84.700	320	1000	apache-2.0	timm
`dm_nfnet_f2.dm_in1k`	256 (테스트 352)	85.184	352	1000	apache-2.0	timm
`dm_nfnet_f3.dm_in1k`	320 (테스트 416)	85.676	416	1000	apache-2.0	timm
`dm_nfnet_f4.dm_in1k`	384 (테스트 512)	85.838	512	1000	apache-2.0	timm
`dm_nfnet_f5.dm_in1k`	416 (테스트 544)	86.102	544	1000	apache-2.0	timm
`dm_nfnet_f6.dm_in1k`	448 (테스트 576)	86.364	576	1000	apache-2.0	timm

ra2 태그

가중치	입력 크기	Top-1(%)	평가 크기	클래스	라이선스	Hub
`eca_nfnet_l0.ra2_in1k`	224 (테스트 288)	82.590	288	1000	apache-2.0	timm
`eca_nfnet_l1.ra2_in1k`	256 (테스트 320)	84.062	320	1000	apache-2.0	timm
`nf_regnet_b1.ra2_in1k`	256 (테스트 288)	79.368	288	1000	apache-2.0	timm
`nf_resnet50.ra2_in1k`	256 (테스트 288)	80.658	288	1000	apache-2.0	timm
`nfnet_l0.ra2_in1k`	224 (테스트 288)	82.766	288	1000	apache-2.0	timm

기타

가중치	입력 크기	Top-1(%)	평가 크기	클래스	라이선스	Hub
`eca_nfnet_l2.ra3_in1k`	320 (테스트 384)	84.710	384	1000	apache-2.0	timm
`test_nfnet.r160_in1k`	160	47.634	160	1000	apache-2.0	timm

Update on GitHub