VoVNet

카테고리: CNN · 코드: timm/models/vovnet.py · 아키텍처: 10 · 프리트레인드 가중치: 3 (ImageNet-1k 결과 포함 3개)

VoVNet은 블록의 모든 레이어 출력을 블록의 끝에서 한 번만 연결하는 One-Shot Aggregation(OSA) 모듈을 사용합니다. VoVNetV2(CenterMask에서)는 잔차 연결과 효과적인 SE(eSE) 어텐션을 추가합니다.

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('ese_vovnet39b.ra_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

모델 API 지원

기능	`VovNet`
`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 작동, ✗ 미지원, – 필요 없음(모델이 이미 모든 입력 크기를 허용함). 무작위로 초기화된 모델(VovNet의 ese_vovnet19b_slim_dw, 224)에서 각 기능을 실행하여 확인했으며, 같은 클래스의 다른 아키텍처도 동일한 동작을 하는 것으로 예상됩니다. 자세한 내용은 Model API 페이지를 참조하세요.

아키텍처

아키텍처	매개변수 (M)	GMAC	입력 크기	사전 학습된 가중치
`eca_vovnet39b`	22.60	7.09	224	0
`ese_vovnet19b_dw`	6.54	1.34	224	1
`ese_vovnet19b_slim`	3.17	1.69	224	0
`ese_vovnet19b_slim_dw`	1.90	0.40	224	0
`ese_vovnet39b`	24.57	7.09	224	1
`ese_vovnet39b_evos`	24.58	7.07	224	0
`ese_vovnet57b`	38.61	11.69	256	1
`ese_vovnet99b`	63.20	16.51	224	0
`vovnet39a`	22.60	7.09	224	0
`vovnet57a`	36.64	8.95	224	0

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.

가중치	입력 크기	Top-1(%)	평가 크기	클래스	라이선스	Hub
`ese_vovnet19b_dw.ra_in1k`	224 (테스트 288)	77.788	288	1000	apache-2.0	timm
`ese_vovnet39b.ra_in1k`	224 (테스트 288)	80.378	288	1000	apache-2.0	timm
`ese_vovnet57b.ra4_e3600_r256_in1k`	256 (테스트 320)	83.298	320	1000	apache-2.0	timm

Update on GitHub