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
EfficientNet
Categoria: Efficient/Mobile · Código:timm/models/efficientnet.py · Arquiteturas: 115 · Pesos pré-treinados: 119 (113 com resultados no ImageNet-1k)
EfficientNet e EfficientNetV2, e as arquiteturas móveis relacionadas construídas a partir dos mesmos blocos de separável em profundidade, residual invertido (MBConv) e MBConv fundido: MixNet, MnasNet, FBNet, Single-Path NAS, MobileNet-V1 / V2, EfficientNet-Lite, EdgeTPU e TinyNet.
Veja o Início rápido para carregar pesos pré-treinados, pré-processar imagens e fazer fine-tuning, e Extração de recursos para usar os modelos como backbones.
✓ suportado, ✓ (quadrado) funciona apenas para tamanhos quadrados, ✗ não suportado, – não necessário (o modelo já aceita qualquer tamanho de entrada). Verificado executando cada recurso em um modelo inicializado aleatoriamente (EfficientNet com mobilenetv2_035 em 224), espera-se que outras arquiteturas da mesma classe se comportem da mesma forma. Consulte a página Model API para mais detalhes.
Arquiteturas
Arquitetura
Parâmetros (M)
GMACs
Tamanho da entrada
Pesos pré-treinados
efficientnet_b0
5.29
0.40
224
2
efficientnet_b0_g8_gn
6.56
0.66
224
0
efficientnet_b0_g16_evos
8.11
1.01
224
0
efficientnet_b0_gn
5.29
0.42
224
0
efficientnet_b1
7.79
0.71
240
2
efficientnet_b1_pruned
6.33
0.40
240
1
efficientnet_b2
9.11
0.89
256
1
efficientnet_b2_pruned
8.31
0.73
260
1
efficientnet_b3
12.23
1.63
288
1
efficientnet_b3_g8_gn
14.25
2.59
288
0
efficientnet_b3_gn
11.73
1.74
288
0
efficientnet_b3_pruned
9.86
1.04
300
1
efficientnet_b4
19.34
3.13
320
1
efficientnet_b5
30.39
9.59
448
2
efficientnet_b6
43.04
19.40
528
0
efficientnet_b7
66.35
38.33
600
0
efficientnet_b8
87.41
63.48
672
0
efficientnet_blur_b0
5.29
0.43
224
0
efficientnet_cc_b0_4e
13.31
0.41
224
0
efficientnet_cc_b0_8e
24.01
0.42
224
0
efficientnet_cc_b1_8e
39.72
0.75
240
0
efficientnet_el
10.59
8.00
300
1
efficientnet_el_pruned
10.59
8.00
300
1
efficientnet_em
6.90
3.04
240
1
efficientnet_es
5.44
1.81
224
1
efficientnet_es_pruned
5.44
1.81
224
1
efficientnet_h_b5
45.88
27.16
448
1
efficientnet_l2
480.31
479.12
800
0
efficientnet_lite0
4.65
0.40
224
1
efficientnet_lite1
5.42
0.62
240
0
efficientnet_lite2
6.09
0.89
260
0
efficientnet_lite3
8.20
1.65
300
0
efficientnet_lite4
13.01
4.04
380
0
efficientnet_x_b3
13.30
3.91
288
0
efficientnet_x_b5
33.44
23.35
448
1
efficientnetv2_l
118.52
36.10
384
0
efficientnetv2_m
54.14
11.01
320
0
efficientnetv2_rw_m
53.24
12.72
320
1
efficientnetv2_rw_s
23.94
4.91
288
1
efficientnetv2_rw_t
13.65
1.93
224
1
efficientnetv2_s
21.46
4.75
288
0
efficientnetv2_xl
208.12
52.81
384
0
fbnetc_100
5.57
0.40
224
1
gc_efficientnetv2_rw_t
13.68
1.94
224
1
mixnet_l
7.33
0.58
224
1
mixnet_m
5.01
0.36
224
1
mixnet_s
4.13
0.25
224
1
mixnet_xl
11.90
0.93
224
1
mixnet_xxl
23.96
2.04
224
0
mnasnet_050
2.22
0.11
224
0
mnasnet_075
3.17
0.23
224
0
mnasnet_100
4.38
0.33
224
1
mnasnet_140
7.12
0.60
224
0
mnasnet_small
2.03
0.07
224
1
mobilenet_edgetpu_100
4.09
1.00
224
0
mobilenet_edgetpu_v2_l
10.92
2.55
224
0
mobilenet_edgetpu_v2_m
8.46
1.85
224
1
mobilenet_edgetpu_v2_s
5.99
1.21
224
0
mobilenet_edgetpu_v2_xs
4.46
0.70
224
0
mobilenetv1_100
4.23
0.58
224
1
mobilenetv1_100h
5.28
0.63
224
1
mobilenetv1_125
6.27
0.89
224
1
mobilenetv2_035
1.68
0.07
224
0
mobilenetv2_050
1.97
0.10
224
1
mobilenetv2_075
2.64
0.22
224
0
mobilenetv2_100
3.50
0.31
224
1
mobilenetv2_110d
4.52
0.45
224
1
mobilenetv2_120d
5.83
0.69
224
1
mobilenetv2_140
6.11
0.60
224
1
semnasnet_050
2.08
0.11
224
0
semnasnet_075
2.91
0.23
224
1
semnasnet_100
3.89
0.32
224
1
semnasnet_140
6.11
0.60
224
0
spnasnet_100
4.42
0.35
224
1
test_efficientnet
0.36
0.06
160
1
test_efficientnet_evos
0.36
0.06
160
1
test_efficientnet_gn
0.36
0.06
160
1
test_efficientnet_ln
0.36
0.06
160
1
tf_efficientnet_b0
5.29
0.40
224
4
tf_efficientnet_b1
7.79
0.71
240
4
tf_efficientnet_b2
9.11
1.02
260
4
tf_efficientnet_b3
12.23
1.87
300
4
tf_efficientnet_b4
19.34
4.49
380
4
tf_efficientnet_b5
30.39
10.46
456
5
tf_efficientnet_b6
43.04
19.40
528
3
tf_efficientnet_b7
66.35
38.33
600
4
tf_efficientnet_b8
87.41
63.48
672
2
tf_efficientnet_cc_b0_4e
13.31
0.41
224
1
tf_efficientnet_cc_b0_8e
24.01
0.42
224
1
tf_efficientnet_cc_b1_8e
39.72
0.75
240
1
tf_efficientnet_el
10.59
8.00
300
1
tf_efficientnet_em
6.90
3.04
240
1
tf_efficientnet_es
5.44
1.81
224
1
tf_efficientnet_l2
480.31
172.11
475
2
tf_efficientnet_lite0
4.65
0.40
224
1
tf_efficientnet_lite1
5.42
0.62
240
1
tf_efficientnet_lite2
6.09
0.89
260
1
tf_efficientnet_lite3
8.20
1.65
300
1
tf_efficientnet_lite4
13.01
4.04
380
1
tf_efficientnetv2_b0
7.14
0.54
192
1
tf_efficientnetv2_b1
8.14
0.76
192
1
tf_efficientnetv2_b2
10.10
1.06
208
1
tf_efficientnetv2_b3
14.36
1.93
240
3
tf_efficientnetv2_l
118.52
36.10
384
3
tf_efficientnetv2_m
54.14
15.85
384
3
tf_efficientnetv2_s
21.46
5.35
300
3
tf_efficientnetv2_xl
208.12
52.81
384
2
tf_mixnet_l
7.33
0.58
224
1
tf_mixnet_m
5.01
0.36
224
1
tf_mixnet_s
4.13
0.25
224
1
tinynet_a
6.19
0.35
192
1
tinynet_b
3.73
0.21
188
1
tinynet_c
2.46
0.11
184
1
tinynet_d
2.34
0.05
152
1
tinynet_e
2.04
0.03
106
1
Os GMACs e as contagens de parâmetros são para o tamanho de entrada e o classificador padrão de cada arquitetura, dos resultados do benchmark.
Pesos pré-treinados
Top-1 é a acurácia de validação no ImageNet-1k de results-imagenet.csv no tamanho de avaliação listado, - se o peso não tiver resultado no ImageNet-1k (por exemplo, pesos de pré-treinamento ou de imagem-texto). Classes é o tamanho do classificador pré-treinado, nenhum para pesos sem um.
Os pesos são agrupados por origem: o artigo ou origem indicado na configuração pré-treinada, caso contrário, uma organização do Hub diferente de timm, caso contrário, a primeira parte da tag pré-treinada (architecture.tag). As origens com um único peso são listadas em
other.
