and get access to the augmented documentation experience
Collaborate on models, datasets and Spaces
Faster examples with accelerated inference
Switch between documentation themes
to get started
EfficientNet
Thể loại: Efficient/Mobile · Code:timm/models/efficientnet.py · Kiến trúc: 115 · Trọng số tiền huấn luyện: 119 (113 có kết quả ImageNet-1k)
EfficientNet và EfficientNetV2, cùng các kiến trúc di động liên quan được xây dựng từ các khối depthwise separable, inverted residual (MBConv) và MBConv đã hợp nhất: MixNet, MnasNet, FBNet, Single-Path NAS, MobileNet-V1 / V2, EfficientNet-Lite, EdgeTPU và TinyNet.
✓ được hỗ trợ, ✓ (vuông) chỉ hoạt động với kích thước vuông, ✗ không được hỗ trợ, – không cần thiết (mô hình đã chấp nhận bất kỳ kích thước đầu vào nào). Được kiểm tra bằng cách chạy từng tính năng trên một mô hình được khởi tạo ngẫu nhiên (EfficientNet với mobilenetv2_035 ở 224), các kiến trúc khác cùng lớp được kỳ vọng sẽ hoạt động tương tự. Xem trang Model API để biết chi tiết.
Kiến trúc
Kiến trúc
Số tham số (M)
GMACs
Kích thước đầu vào
Trọng số được huấn luyện trước
efficientnet_b0
5.29
0.40
224
2
efficientnet_b0_g8_gn
6.56
0.66
224
0
efficientnet_b0_g16_evos
8.11
1.01
224
0
efficientnet_b0_gn
5.29
0.42
224
0
efficientnet_b1
7.79
0.71
240
2
efficientnet_b1_pruned
6.33
0.40
240
1
efficientnet_b2
9.11
0.89
256
1
efficientnet_b2_pruned
8.31
0.73
260
1
efficientnet_b3
12.23
1.63
288
1
efficientnet_b3_g8_gn
14.25
2.59
288
0
efficientnet_b3_gn
11.73
1.74
288
0
efficientnet_b3_pruned
9.86
1.04
300
1
efficientnet_b4
19.34
3.13
320
1
efficientnet_b5
30.39
9.59
448
2
efficientnet_b6
43.04
19.40
528
0
efficientnet_b7
66.35
38.33
600
0
efficientnet_b8
87.41
63.48
672
0
efficientnet_blur_b0
5.29
0.43
224
0
efficientnet_cc_b0_4e
13.31
0.41
224
0
efficientnet_cc_b0_8e
24.01
0.42
224
0
efficientnet_cc_b1_8e
39.72
0.75
240
0
efficientnet_el
10.59
8.00
300
1
efficientnet_el_pruned
10.59
8.00
300
1
efficientnet_em
6.90
3.04
240
1
efficientnet_es
5.44
1.81
224
1
efficientnet_es_pruned
5.44
1.81
224
1
efficientnet_h_b5
45.88
27.16
448
1
efficientnet_l2
480.31
479.12
800
0
efficientnet_lite0
4.65
0.40
224
1
efficientnet_lite1
5.42
0.62
240
0
efficientnet_lite2
6.09
0.89
260
0
efficientnet_lite3
8.20
1.65
300
0
efficientnet_lite4
13.01
4.04
380
0
efficientnet_x_b3
13.30
3.91
288
0
efficientnet_x_b5
33.44
23.35
448
1
efficientnetv2_l
118.52
36.10
384
0
efficientnetv2_m
54.14
11.01
320
0
efficientnetv2_rw_m
53.24
12.72
320
1
efficientnetv2_rw_s
23.94
4.91
288
1
efficientnetv2_rw_t
13.65
1.93
224
1
efficientnetv2_s
21.46
4.75
288
0
efficientnetv2_xl
208.12
52.81
384
0
fbnetc_100
5.57
0.40
224
1
gc_efficientnetv2_rw_t
13.68
1.94
224
1
mixnet_l
7.33
0.58
224
1
mixnet_m
5.01
0.36
224
1
mixnet_s
4.13
0.25
224
1
mixnet_xl
11.90
0.93
224
1
mixnet_xxl
23.96
2.04
224
0
mnasnet_050
2.22
0.11
224
0
mnasnet_075
3.17
0.23
224
0
mnasnet_100
4.38
0.33
224
1
mnasnet_140
7.12
0.60
224
0
mnasnet_small
2.03
0.07
224
1
mobilenet_edgetpu_100
4.09
1.00
224
0
mobilenet_edgetpu_v2_l
10.92
2.55
224
0
mobilenet_edgetpu_v2_m
8.46
1.85
224
1
mobilenet_edgetpu_v2_s
5.99
1.21
224
0
mobilenet_edgetpu_v2_xs
4.46
0.70
224
0
mobilenetv1_100
4.23
0.58
224
1
mobilenetv1_100h
5.28
0.63
224
1
mobilenetv1_125
6.27
0.89
224
1
mobilenetv2_035
1.68
0.07
224
0
mobilenetv2_050
1.97
0.10
224
1
mobilenetv2_075
2.64
0.22
224
0
mobilenetv2_100
3.50
0.31
224
1
mobilenetv2_110d
4.52
0.45
224
1
mobilenetv2_120d
5.83
0.69
224
1
mobilenetv2_140
6.11
0.60
224
1
semnasnet_050
2.08
0.11
224
0
semnasnet_075
2.91
0.23
224
1
semnasnet_100
3.89
0.32
224
1
semnasnet_140
6.11
0.60
224
0
spnasnet_100
4.42
0.35
224
1
test_efficientnet
0.36
0.06
160
1
test_efficientnet_evos
0.36
0.06
160
1
test_efficientnet_gn
0.36
0.06
160
1
test_efficientnet_ln
0.36
0.06
160
1
tf_efficientnet_b0
5.29
0.40
224
4
tf_efficientnet_b1
7.79
0.71
240
4
tf_efficientnet_b2
9.11
1.02
260
4
tf_efficientnet_b3
12.23
1.87
300
4
tf_efficientnet_b4
19.34
4.49
380
4
tf_efficientnet_b5
30.39
10.46
456
5
tf_efficientnet_b6
43.04
19.40
528
3
tf_efficientnet_b7
66.35
38.33
600
4
tf_efficientnet_b8
87.41
63.48
672
2
tf_efficientnet_cc_b0_4e
13.31
0.41
224
1
tf_efficientnet_cc_b0_8e
24.01
0.42
224
1
tf_efficientnet_cc_b1_8e
39.72
0.75
240
1
tf_efficientnet_el
10.59
8.00
300
1
tf_efficientnet_em
6.90
3.04
240
1
tf_efficientnet_es
5.44
1.81
224
1
tf_efficientnet_l2
480.31
172.11
475
2
tf_efficientnet_lite0
4.65
0.40
224
1
tf_efficientnet_lite1
5.42
0.62
240
1
tf_efficientnet_lite2
6.09
0.89
260
1
tf_efficientnet_lite3
8.20
1.65
300
1
tf_efficientnet_lite4
13.01
4.04
380
1
tf_efficientnetv2_b0
7.14
0.54
192
1
tf_efficientnetv2_b1
8.14
0.76
192
1
tf_efficientnetv2_b2
10.10
1.06
208
1
tf_efficientnetv2_b3
14.36
1.93
240
3
tf_efficientnetv2_l
118.52
36.10
384
3
tf_efficientnetv2_m
54.14
15.85
384
3
tf_efficientnetv2_s
21.46
5.35
300
3
tf_efficientnetv2_xl
208.12
52.81
384
2
tf_mixnet_l
7.33
0.58
224
1
tf_mixnet_m
5.01
0.36
224
1
tf_mixnet_s
4.13
0.25
224
1
tinynet_a
6.19
0.35
192
1
tinynet_b
3.73
0.21
188
1
tinynet_c
2.46
0.11
184
1
tinynet_d
2.34
0.05
152
1
tinynet_e
2.04
0.03
106
1
GMACs và số lượng tham số được tính cho kích thước đầu vào và bộ phân loại mặc định của mỗi kiến trúc, từ kết quả benchmark.
Trọng số được huấn luyện trước
Top-1 là độ chính xác kiểm tra trên ImageNet-1k từ results-imagenet.csv ở kích thước eval được liệt kê, - nếu trọng số không có kết quả ImageNet-1k (ví dụ trọng số pretraining hoặc image-text). Classes là kích thước của bộ phân loại được huấn luyện trước, không có đối với các trọng số không có bộ phân loại.
Trọng số được nhóm theo nguồn: bài báo hoặc nguồn gốc được nêu trong cấu hình tiền huấn luyện, nếu không thì một tổ chức Hub khác với timm, nếu không thì phần đầu của thẻ tiền huấn luyện (architecture.tag). Các nguồn chỉ có một trọng số được liệt kê dưới
other.
