# HRNet

**Kategori:** CNN · **Kode:** [`timm/models/hrnet.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/hrnet.py) · **Arsitektur:** 11 · **Bobot terlatih:** 14 (14 dengan hasil ImageNet-1k)

Jaringan Resolusi Tinggi mempertahankan cabang resolusi tinggi di seluruh jaringan dan menambahkan cabang resolusi lebih rendah secara paralel, dengan bertukar informasi di antara keduanya secara berulang.

## Makalah

* [Pembelajaran Representasi Resolusi Tinggi Mendalam untuk Pengenalan Visual](https://arxiv.org/abs/1908.07919)
* [Di Luar Supervisi Diri: Alternatif Distilasi Jaringan yang Sederhana Namun Efektif untuk Meningkatkan Backbones](https://arxiv.org/abs/2103.05959)

## Penggunaan

Lihat [Quickstart](../quickstart) untuk memuat bobot terlatih, prapemrosesan gambar, dan penyesuaian halus, serta [Feature Extraction](../feature_extraction) untuk menggunakan model sebagai tulang punggung.

```py
>>> import timm
>>> model = timm.create_model('hrnet_w18.ms_aug_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Dukungan API Model

| Fitur | `HighResolutionNet` |
|---|---|
| [feature maps `features_only=True`](../model_api#intermediate-features) | ✓ (strides 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Ukuran input apa pun, tidak perlu perubahan](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✗ |
| [Penurunan LR per lapisan (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ didukung, ✓ (persegi) hanya berfungsi untuk ukuran persegi, ✗ tidak didukung, – tidak diperlukan (model sudah menerima ukuran input apa pun). Diperiksa dengan menjalankan setiap fitur pada model yang diinisialisasi secara acak (`HighResolutionNet` dengan `hrnet_w18_small` pada 224), arsitektur lain dari kelas yang sama diharapkan berperilaku sama. Lihat halaman [Model API](../model_api) untuk detailnya.

## Arsitektur

| Arsitektur | Parameter (M) | GMACs | Ukuran input | Bobot terlatih |
|---|---:|---:|---:|---:|
| `hrnet_w18` | 21.30 | 4.32 | 224 | 2 |
| `hrnet_w18_small` | 13.19 | 1.61 | 224 | 2 |
| `hrnet_w18_small_v2` | 15.60 | 2.62 | 224 | 2 |
| `hrnet_w18_ssld` | 21.30 | 4.32 | 224 | 1 |
| `hrnet_w30` | 37.71 | 8.15 | 224 | 1 |
| `hrnet_w32` | 41.23 | 8.97 | 224 | 1 |
| `hrnet_w40` | 57.56 | 12.75 | 224 | 1 |
| `hrnet_w44` | 67.06 | 14.94 | 224 | 1 |
| `hrnet_w48` | 77.47 | 17.34 | 224 | 1 |
| `hrnet_w48_ssld` | 77.47 | 17.34 | 224 | 1 |
| `hrnet_w64` | 128.06 | 28.97 | 224 | 1 |

GMACs dan jumlah parameter adalah untuk ukuran input dan klasifer default dari setiap arsitektur, dari [hasil benchmark](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Bobot terlatih

Top-1 adalah akurasi validasi ImageNet-1k dari [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) pada ukuran eval yang tercantum, - jika bobot tidak memiliki hasil ImageNet-1k (misalnya bobot pretraining atau image-text). Classes adalah ukuran dari classifier pretrained, none untuk bobot yang tidak memilikinya.

Bobot dikelompokkan berdasarkan sumber: paper atau asal yang diberikan dalam konfigurasi pretrained, jika tidak ada maka organisasi Hub selain `timm`, jika tidak ada maka bagian pertama dari tag pretrained (`architecture.tag`). Sumber dengan satu bobot terdaftar di bawah other.

### tag `ms`

| Bobot | Ukuran input | Top-1 (%) | Ukuran evaluasi | Kelas | Lisensi | Hub |
|---|---:|---:|---:|---:|---|---|
| `hrnet_w18.ms_aug_in1k` | 224 | 78.110 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w18.ms_aug_in1k) |
| `hrnet_w18.ms_in1k` | 224 | 76.770 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w18.ms_in1k) |
| `hrnet_w18_small.ms_in1k` | 224 | 72.340 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w18_small.ms_in1k) |
| `hrnet_w18_small_v2.ms_in1k` | 224 | 75.094 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w18_small_v2.ms_in1k) |
| `hrnet_w30.ms_in1k` | 224 | 78.202 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w30.ms_in1k) |
| `hrnet_w32.ms_in1k` | 224 | 78.452 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w32.ms_in1k) |
| `hrnet_w40.ms_in1k` | 224 | 78.928 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w40.ms_in1k) |
| `hrnet_w44.ms_in1k` | 224 | 78.890 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w44.ms_in1k) |
| `hrnet_w48.ms_in1k` | 224 | 79.328 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w48.ms_in1k) |
| `hrnet_w64.ms_in1k` | 224 | 79.458 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w64.ms_in1k) |

### tag `gluon`

| Bobot | Ukuran input | Top-1 (%) | Ukuran evaluasi | Kelas | Lisensi | Hub |
|---|---:|---:|---:|---:|---|---|
| `hrnet_w18_small.gluon_in1k` | 224 | 73.934 | 224 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/hrnet_w18_small.gluon_in1k) |
| `hrnet_w18_small_v2.gluon_in1k` | 224 | 78.202 | 224 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/hrnet_w18_small_v2.gluon_in1k) |

### tag `paddle`

| Bobot | Ukuran input | Top-1 (%) | Ukuran evaluasi | Kelas | Lisensi | Hub |
|---|---:|---:|---:|---:|---|---|
| `hrnet_w18_ssld.paddle_in1k` | 224 (uji 288) | 82.052 | 288 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w18_ssld.paddle_in1k) |
| `hrnet_w48_ssld.paddle_in1k` | 224 (uji 288) | 84.484 | 288 | 1000 | mit | [timm](https://huggingface.co/timm/hrnet_w48_ssld.paddle_in1k) |