GhostNet

Категория: Efficient/Mobile · Код: timm/models/ghostnet.py · Архитектуры: 10 · Предобученные веса: 5 (5 с результатами ImageNet-1k)

GhostNet генерирует часть своих карт признаков с помощью дешёвых операций (модули Ghost). GhostNetV2 добавляет внимание DFC для зависимостей на длинных дистанциях, GhostNetV3 использует репараметризацию и дистилляцию знаний при обучении.

Статьи

• GhostNet: больше признаков из дешёвых операций
• GhostNetV2: Улучшение дешёвой операции с помощью внимания с дальним радиусом
• GhostNetV3: исследование стратегий обучения компактных моделей

Использование

См. раздел Быстрый старт для загрузки предобученных весов, предобработки изображений и дообучения, а также раздел Извлечение признаков для использования моделей в качестве базовых архитектур.

>>> import timm
>>> model = timm.create_model('ghostnetv2_160.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Поддержка Model API

✓ 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 (GhostNet с ghostnet_050 при размере 224); ожидается, что другие архитектуры того же класса будут вести себя аналогично. Подробности см. на странице Model API.

Архитектуры

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.