ResNet

Kategori: CNN · Kode: timm/models/resnet.py · Arsitektur: 81 · Bobot pralatih: 150 (144 dengan hasil ImageNet-1k)

Jaringan residual (ResNet) dan varian yang dibangun di atas kelas ResNet yang sama: konvolusi berkelompok ResNeXt, perhatian kanal Squeeze-and-Excitation (SE) dan ECA, stem dalam / bertingkat dan downsampling rata-rata pool (varian “c”, “d”, “s” dan “t”), downsampling anti-alias, konfigurasi Wide ResNet dan ResNet-RS.

Makalah

• Pembelajaran Residual Mendalam untuk Pengenalan Gambar
• Kumpulan Trik untuk Klasifikasi Citra dengan Jaringan Neural Konvolusional
• Transformasi Residual Agregat untuk Jaringan Neural Dalam
• Jaringan Residual Lebar
• Jaringan Squeeze-and-Excitation
• ECA-Net: Perhatian Kanal yang Efisien untuk Jaringan Neural Konvolusional Mendalam
• Membuat Jaringan Konvolusional Invarian terhadap Pergeseran Sekali Lagi
• Normalisasi Grup
• Mengunjungi Ulang ResNets: Strategi Pelatihan dan Skalabilitas yang Ditingkatkan
• ResNet membalas: Prosedur pelatihan yang ditingkatkan di timm
• Pembelajaran semi-terawasi skala miliar untuk klasifikasi gambar
• Mengeksplorasi Batas Prapelatihan Berlabel Lemah
• Penipisan Ransel dengan Distilasi Internal

Dirujuk oleh bobot pretrained:

• arXiv:2203.07845

Penggunaan

Lihat Quickstart untuk memuat bobot terlatih, prapemrosesan gambar, dan penyesuaian halus, serta Ekstraksi Fitur untuk menggunakan model sebagai tulang punggung.

>>> import timm
>>> model = timm.create_model('resnet50.a1_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Dukungan API Model

✓ 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 (ResNet dengan resnet10t pada 176), arsitektur lain dari kelas yang sama diharapkan berperilaku sama. Lihat halaman Model API untuk detailnya.

Arsitektur

GMACs dan jumlah parameter adalah untuk ukuran input dan klasifer default dari setiap arsitektur, dari hasil benchmark.

Bobot terlatih

Top-1 adalah akurasi validasi ImageNet-1k dari 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.

ResNet membalas

Konfigurasi pretrained merujuk pada ResNet strikes back: An improved training procedure in timm.

huggingface/pytorch-image-models

Asal: github.com/huggingface/pytorch-image-models

cv.gluon.ai

Asal: cv.gluon.ai/model_zoo/classification.html

pytorch/vision

Asal: github.com/pytorch/vision

facebookresearch/semi-supervised-ImageNet1K-models

Asal: github.com/facebookresearch/semi-supervised-ImageNet1K-models

tf tags

tag miil

facebookresearch/WSL-Images

Asal: github.com/facebookresearch/WSL-Images

sw tag

Lainnya