PP-LCNetV2

类别： Efficient/Mobile · 代码： timm/models/lcnetv2.py · 架构： 3 · 预训练权重： 4（0 个具有 ImageNet-1k 结果）

PaddleClas 中的 PP-LCNetV2 是一个基于 PP-LCNet 构建的面向 CPU 的网络。其后期的深度可分离卷积是可重参数化的多尺度分支，并且谨慎使用 SE 和快捷连接，以避免在 CPU 上产生延迟开销。

论文

超越自监督：一种简单而有效的网络蒸馏替代方案，用于改进骨干网络

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('lcnetv2_base.paddle_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

功能	`LCNetV2`
`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（LCNetV2 使用 lcnetv2_small，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

架构	参数（M）	GMAC	输入大小	预训练权重
`lcnetv2_base`	6.69	-	224	2
`lcnetv2_large`	10.54	-	224	1
`lcnetv2_small`	4.13	-	224	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
`lcnetv2_base.paddle_in1k`	224	-	-	1000	apache-2.0	timm
`lcnetv2_base.ssld_in1k`	224	-	-	1000	apache-2.0	timm
`lcnetv2_large.paddle_in1k`	224	-	-	1000	apache-2.0	timm
`lcnetv2_small.paddle_in1k`	224	-	-	1000	apache-2.0	timm

Update on GitHub