EdgeNeXt

类别： Efficient/Mobile · 代码： timm/models/edgenext.py · 架构： 5 · 预训练权重： 6（6 个具有 ImageNet-1k 结果）

EdgeNeXt 是一种面向移动设备的混合 CNN-Transformer，它将深度可分离卷积编码器与跨通道应用注意力的分块深度可分离转置注意力（SDTA）编码器相结合。

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('edgenext_base.in21k_ft_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

功能	`EdgeNeXt`
`features_only=True` 特征图	✓（步长 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（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（EdgeNeXt 使用 edgenext_xx_small，尺寸为 256）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
`edgenext_base`	18.51	3.85	256	2
`edgenext_small`	5.59	1.26	256	1
`edgenext_small_rw`	7.83	1.58	256	1
`edgenext_x_small`	2.34	0.54	256	1
`edgenext_xx_small`	1.33	0.26	256	1

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
`edgenext_base.in21k_ft_in1k`	256（测试 320）	84.076	320	1000	mit	timm
`edgenext_base.usi_in1k`	256（测试 320）	83.970	320	1000	mit	timm
`edgenext_small.usi_in1k`	256（测试 320）	81.574	320	1000	mit	timm
`edgenext_small_rw.sw_in1k`	256（测试 320）	80.452	320	1000	mit	timm
`edgenext_x_small.in1k`	256（测试 288）	75.706	288	1000	mit	timm
`edgenext_xx_small.in1k`	256（测试 288）	71.886	288	1000	mit	timm

Update on GitHub