VoVNet

类别： CNN · 代码： timm/models/vovnet.py · 架构： 10 · 预训练权重： 3（其中 3 个包含 ImageNet-1k 结果）

VoVNet 使用 One-Shot Aggregation (OSA) 模块，该模块在块的末尾一次性拼接该块所有层的输出。 VoVNetV2（来自 CenterMask）添加了残差连接和有效的 SE (eSE) 注意力机制。

论文

用法

请参阅快速入门了解如何加载预训练权重、进行图像预处理和微调，以及查阅特征提取了解如何将模型用作骨干网络。

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

模型 API 支持

功能	`VovNet`
`features_only=True` 特征图	✓（步长 2、4、8、16、32）
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
任意输入尺寸，无需更改	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
逐层学习率衰减（`group_matcher()`）	✓
`reset_classifier()`	✓

✓ 支持，✓ (square) 仅支持方形尺寸，✗ 不支持，– 无需支持（该模型本身已接受任意输入尺寸）。通过在每个功能上运行随机初始化的模型（VovNet 使用 ese_vovnet19b_slim_dw，尺寸为 224）进行验证，预期同一类的其他架构表现相同。有关详细信息，请参阅 Model API 页面。

架构

架构	参数（M）	GMAC	输入大小	预训练权重
`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

GMACs 和参数量对应于每种架构的默认输入大小和分类器，数据来自基准测试结果。

预训练权重

Top-1 是 results-imagenet.csv 中在所列评估规模下的 ImageNet-1k 验证准确率，- 表示该权重没有 ImageNet-1k 结果（例如预训练权重或图文权重）。Classes 是预训练分类器的大小，对于没有分类器的权重则为 none。

权重	输入大小	Top-1（%）	评估大小	类	许可证	Hub
`ese_vovnet19b_dw.ra_in1k`	224（测试 288）	77.788	288	1000	apache-2.0	timm
`ese_vovnet39b.ra_in1k`	224（测试 288）	80.378	288	1000	apache-2.0	timm
`ese_vovnet57b.ra4_e3600_r256_in1k`	256（测试 320）	83.298	320	1000	apache-2.0	timm

Update on GitHub