You are viewing main version, which requires installation from source. If you'd like
regular pip install, checkout the latest stable version (v1.0.31).
Join the Hugging Face community
and get access to the augmented documentation experience
Collaborate on models, datasets and Spaces
Faster examples with accelerated inference
Switch between documentation themes
to get started
BYOBNet (GENet, RepVGG, MobileOne, …)
Категория: CNN · Код:timm/models/byobnet.py · Архитектуры: 53 · Предобученные веса: 57 (41 с результатами на ImageNet-1k)
Bring-Your-Own-Blocks Network — гибкая сеть, собранная из конфигураций dataclass, которые объединяют блоки в стадии. Она реализует GPU-Efficient Networks (gernet_*), RepVGG, MobileOne, RegNetZ, башни изображений ResNet в CLIP (*_clip) и ряд вариантов timm в стиле ResNet.
См. раздел Быстрый старт для загрузки предобученных весов, предобработки изображений и дообучения, а также раздел Извлечение признаков для использования моделей в качестве базовых архитектур.
✓ поддерживается, ✓ (квадрат) работает только для квадратных размеров, ✗ не поддерживается, – не требуется (модель уже принимает входные данные любого размера). Проверено путём запуска каждой функции на случайно инициализированной модели (ByobNet с mobileone_s1 при размере 224); ожидается, что другие архитектуры того же класса будут вести себя аналогично. Подробности см. на странице Model API.
Архитектуры
Архитектура
Параметры (млн)
GMACs
Размер входных данных
Предобученные веса
bat_resnext26ts
10.73
2.53
256
1
eca_resnet33ts
19.68
4.76
256
1
eca_resnext26ts
10.30
2.43
256
1
gcresnet33ts
19.88
4.76
256
1
gcresnet50t
25.90
5.42
256
1
gcresnext26ts
10.48
2.43
256
1
gcresnext50ts
15.67
3.75
256
1
gernet_l
31.08
4.57
256
1
gernet_m
21.14
3.02
224
1
gernet_s
8.17
0.75
224
1
mobileone_s0
2.08
0.28
224
1
mobileone_s1
4.76
0.83
224
1
mobileone_s2
7.81
1.30
224
1
mobileone_s3
10.08
1.90
224
1
mobileone_s4
14.84
2.98
224
1
regnetz_b16
9.72
1.45
224
1
regnetz_b16_evos
9.74
1.43
224
0
regnetz_c16
13.46
2.51
256
1
regnetz_c16_evos
13.49
2.48
256
1
regnetz_d8
23.37
3.97
256
1
regnetz_d8_evos
23.46
4.50
256
1
regnetz_d32
27.58
5.98
256
1
regnetz_e8
57.70
9.91
256
1
repvgg_a0
8.31
1.36
224
1
repvgg_a1
12.79
2.36
224
1
repvgg_a2
25.50
5.12
224
1
repvgg_b0
14.34
3.06
224
1
repvgg_b1
51.83
11.82
224
1
repvgg_b1g4
36.13
7.31
224
1
repvgg_b2
80.32
18.38
224
1
repvgg_b2g4
55.78
11.33
224
1
repvgg_b3
110.96
26.21
224
1
repvgg_b3g4
75.63
16.06
224
1
repvgg_d2se
120.39
66.99
320
1
resnet32ts
17.96
4.63
256
1
resnet33ts
19.68
4.76
256
1
resnet50_clip
38.32
6.14
224
3
resnet50_clip_gap
23.53
5.39
224
3
resnet50_mlp
26.65
7.05
256
0
resnet50x4_clip
87.14
21.35
288
1
resnet50x4_clip_gap
65.62
19.57
288
1
resnet50x16_clip
167.33
74.90
384
1
resnet50x16_clip_gap
136.20
70.32
384
1
resnet50x64_clip
420.38
265.02
448
1
resnet50x64_clip_gap
365.03
253.96
448
1
resnet51q
35.70
6.38
256
1
resnet61q
36.85
7.80
256
1
resnet101_clip
56.26
9.81
224
2
resnet101_clip_gap
42.52
9.11
224
2
resnext26ts
10.30
2.43
256
1
seresnet33ts
19.78
4.76
256
1
seresnext26ts
10.39
2.43
256
1
test_byobnet
0.46
0.03
160
1
GMACs и количество параметров указаны для размера входных данных и классификатора по умолчанию для каждой архитектуры, согласно результатам бенчмарков.
Предобученные веса
Top-1 — это точность на валидационном наборе ImageNet-1k из results-imagenet.csv для указанного размера оценки, - если для весов нет результата ImageNet-1k (например, веса для предобучения или изображения-текст). Classes — размер предобученного классификатора, none для весов без классификатора.
Веса группируются по источнику: статья или происхождение, указанные в конфигурации предобученной модели, иначе организация на Hugging Face, отличная от timm, иначе первая часть тега предобученной модели (architecture.tag). Источники с одним весом перечислены в разделе
other.
