# ReXNet

**Kategori:** Verimli/Mobil · **Kod:** [`timm/models/rexnet.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/rexnet.py) · **Mimariler:** 10 · **Önceden eğitilmiş ağırlıklar:** 9 (7'si ImageNet-1k sonuçlarıyla)

ReXNet, temsil darboğazlarını azaltmak için tersine kalan ağların kanal yapılandırmasını gözden geçirir. `rexnetr_*` varyantları, kanalları 8'in katlarına yuvarlar.

## Makaleler

* [Verimli Model Tasarımı İçin Kanal Boyutlarını Yeniden Düşünmek](https://arxiv.org/abs/2007.00992)

## Kullanım

Önceden eğitilmiş ağırlıkları yükleme, görüntü ön işleme ve ince ayar için [Hızlı Başlangıç](../quickstart) bölümüne, modelleri omurga olarak kullanmak için ise [Özellik Çıkarımı](../feature_extraction) bölümüne bakın.

```py
>>> import timm
>>> model = timm.create_model('rexnet_300.nav_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Model API desteği

| Özellik | `RexNet` |
|---|---|
| [`features_only=True` özellik haritaları](../model_api#intermediate-features) | ✓ (adım 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Herhangi bir giriş boyutu, değişiklik gerekmez](../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) | ✓ |
| [Katman bazlı LR azaltma (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ destekleniyor, ✓ (kare) yalnızca kare boyutlarda çalışır, ✗ desteklenmiyor, – gerekli değil (model zaten herhangi bir giriş boyutunu kabul eder). Her özellik, rastgele başlatılmış bir model üzerinde çalıştırılarak kontrol edilir (`RexNet` ile `rexnet_100` 224 boyutunda), aynı sınıftaki diğer mimarilerin de aynı şekilde davranması beklenir. Ayrıntılar için [Model API](../model_api) sayfasına bakın.

## Mimariler

| Mimari | Parametreler (M) | GMAC'lar | Girdi boyutu | Önceden eğitilmiş ağırlıklar |
|---|---:|---:|---:|---:|
| `rexnet_100` | 4.80 | 0.41 | 224 | 1 |
| `rexnet_130` | 7.56 | 0.68 | 224 | 1 |
| `rexnet_150` | 9.73 | 0.90 | 224 | 1 |
| `rexnet_200` | 16.37 | 1.56 | 224 | 1 |
| `rexnet_300` | 34.71 | 3.44 | 224 | 1 |
| `rexnetr_100` | 4.88 | 0.43 | 224 | 0 |
| `rexnetr_130` | 7.61 | 0.68 | 224 | 0 |
| `rexnetr_150` | 9.78 | 0.89 | 224 | 0 |
| `rexnetr_200` | 16.52 | 1.59 | 224 | 2 |
| `rexnetr_300` | 34.81 | 3.39 | 224 | 2 |

GMAC'lar ve parametre sayıları, her mimarinin varsayılan giriş boyutu ve sınıflandırıcısı içindir ve [benchmark sonuçlarından](https://github.com/huggingface/pytorch-image-models/tree/main/results) alınmıştır.

## Önceden eğitilmiş ağırlıklar

Top-1, belirtilen değerlendirme boyutunda [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) dosyasındaki ImageNet-1k doğrulama doğruluğudur, - ağırlığın ImageNet-1k sonucu yoksa (ör. ön eğitim veya görsel-metin ağırlıkları). Classes, ön eğitilmiş sınıflandırıcının boyutudur; sınıflandırıcısı olmayan ağırlıklar için yoktur.

Ağırlıklar kaynağa göre gruplandırılır: önceden eğitilmiş yapılandırmada belirtilen makale veya köken, aksi halde `timm` dışında bir Hub kuruluşu, aksi halde önceden eğitilmiş etiketin ilk kısmı (`architecture.tag`). Tek bir ağırlığı olan kaynaklar diğer altında listelenir.

### `nav` etiketleri

| Ağırlık | Girdi boyutu | En iyi 1 (%) | Değerlendirme boyutu | Sınıflar | Lisans | Hub |
|---|---:|---:|---:|---:|---|---|
| `rexnet_100.nav_in1k` | 224 | 77.862 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_100.nav_in1k) |
| `rexnet_130.nav_in1k` | 224 | 79.492 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_130.nav_in1k) |
| `rexnet_150.nav_in1k` | 224 | 80.322 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_150.nav_in1k) |
| `rexnet_200.nav_in1k` | 224 | 81.636 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_200.nav_in1k) |
| `rexnet_300.nav_in1k` | 224 | 82.780 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_300.nav_in1k) |

### `sw` etiketleri

| Ağırlık | Girdi boyutu | En iyi 1 (%) | Değerlendirme boyutu | Sınıflar | Lisans | Hub |
|---|---:|---:|---:|---:|---|---|
| `rexnetr_200.sw_in12k` | 224 (test 288) | - | - | 11821 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_200.sw_in12k) |
| `rexnetr_200.sw_in12k_ft_in1k` | 224 (test 288) | 83.160 | 288 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_200.sw_in12k_ft_in1k) |
| `rexnetr_300.sw_in12k` | 224 (test 288) | - | - | 11821 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_300.sw_in12k) |
| `rexnetr_300.sw_in12k_ft_in1k` | 224 (test 288) | 84.582 | 288 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_300.sw_in12k_ft_in1k) |