TResNet

카테고리: CNN · 코드: timm/models/tresnet.py · 아키텍처: 4 · 프리트레인드 가중치: 10 (ImageNet-1k 결과 포함 8개)

TResNet은 space-to-depth stem, 반별점 하위 샘플링, SE 레이어를 갖춘 높은 GPU 처리량을 위한 ResNet 기반 설계입니다.

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('tresnet_m.miil_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

모델 API 지원

기능	`TResNet`
`features_only=True` feature map	✓ (strides 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(TResNet의 tresnet_m, 224)에서 각 기능을 실행하여 확인했습니다. 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
`tresnet_l`	55.99	10.90	224	2
`tresnet_m`	31.39	5.75	224	4
`tresnet_v2_l`	46.17	8.85	224	2
`tresnet_xl`	78.44	15.20	224	2

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
`tresnet_l.miil_in1k`	224	81.498	224	1000	apache-2.0	timm
`tresnet_l.miil_in1k_448`	448	82.278	448	1000	apache-2.0	timm
`tresnet_m.miil_in1k`	224	80.816	224	1000	apache-2.0	timm
`tresnet_m.miil_in1k_448`	448	81.710	448	1000	apache-2.0	timm
`tresnet_m.miil_in21k`	224	-	-	11221	apache-2.0	timm
`tresnet_m.miil_in21k_ft_in1k`	224	83.090	224	1000	apache-2.0	timm
`tresnet_v2_l.miil_in21k`	224	-	-	11221	apache-2.0	timm
`tresnet_v2_l.miil_in21k_ft_in1k`	224	83.910	224	1000	apache-2.0	timm
`tresnet_xl.miil_in1k`	224	82.060	224	1000	apache-2.0	timm
`tresnet_xl.miil_in1k_448`	448	83.066	448	1000	apache-2.0	timm

Update on GitHub