GhostNet

类别： Efficient/Mobile · 代码： timm/models/ghostnet.py · 架构： 10 · 预训练权重： 5（其中 5 个包含 ImageNet-1k 结果）

GhostNet 使用廉价操作（Ghost 模块）生成部分特征图。GhostNetV2 添加了 DFC 注意力机制以处理长程依赖，GhostNetV3 在训练中使用重参数化和知识蒸馏。

论文

• GhostNet：通过廉价操作获取更多特征
• GhostNetV2：通过长程注意力增强廉价操作
• GhostNetV3：探索紧凑型模型的训练策略

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('ghostnetv2_160.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

✓ 支持，✓ (square) 仅支持方形尺寸，✗ 不支持，– 无需支持（该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（GhostNet 使用 ghostnet_050，尺寸为 224）进行验证，预期同一类的其他架构表现相同。详情请参阅 Model API 页面。

架构

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。