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
BYOBNet (GENet, RepVGG, MobileOne, …)
Categoría: CNN · Código:timm/models/byobnet.py · Arquitecturas: 53 · Pesos preentrenados: 57 (41 con resultados en ImageNet-1k)
Bring-Your-Own-Blocks Network, una red flexible construida a partir de configuraciones de dataclass que apilan bloques en etapas. Implementa GPU-Efficient Networks (gernet_*), RepVGG, MobileOne, RegNetZ, las torres de imagen ResNet de CLIP (*_clip) y una serie de variantes de timm estilo ResNet.
Consulte la Introducción rápida para cargar pesos preentrenados, preprocesar imágenes y realizar el ajuste fino, y Extracción de características para usar los modelos como columnas verticales.
✓ compatible, ✓ (cuadrado) funciona solo con tamaños cuadrados, ✗ no compatible, – no necesario (el modelo ya acepta cualquier tamaño de entrada). Verificado ejecutando cada función en un modelo inicializado aleatoriamente (ByobNet con mobileone_s1 en 224); se espera que otras arquitecturas de la misma clase se comporten de la misma manera. Consulte la página Model API para más detalles.
Arquitecturas
Arquitectura
Parámetros (M)
GMACs
Tamaño de entrada
Pesos preentrenados
bat_resnext26ts
10.73
2.53
256
1
eca_resnet33ts
19.68
4.76
256
1
eca_resnext26ts
10.30
2.43
256
1
gcresnet33ts
19.88
4.76
256
1
gcresnet50t
25.90
5.42
256
1
gcresnext26ts
10.48
2.43
256
1
gcresnext50ts
15.67
3.75
256
1
gernet_l
31.08
4.57
256
1
gernet_m
21.14
3.02
224
1
gernet_s
8.17
0.75
224
1
mobileone_s0
2.08
0.28
224
1
mobileone_s1
4.76
0.83
224
1
mobileone_s2
7.81
1.30
224
1
mobileone_s3
10.08
1.90
224
1
mobileone_s4
14.84
2.98
224
1
regnetz_b16
9.72
1.45
224
1
regnetz_b16_evos
9.74
1.43
224
0
regnetz_c16
13.46
2.51
256
1
regnetz_c16_evos
13.49
2.48
256
1
regnetz_d8
23.37
3.97
256
1
regnetz_d8_evos
23.46
4.50
256
1
regnetz_d32
27.58
5.98
256
1
regnetz_e8
57.70
9.91
256
1
repvgg_a0
8.31
1.36
224
1
repvgg_a1
12.79
2.36
224
1
repvgg_a2
25.50
5.12
224
1
repvgg_b0
14.34
3.06
224
1
repvgg_b1
51.83
11.82
224
1
repvgg_b1g4
36.13
7.31
224
1
repvgg_b2
80.32
18.38
224
1
repvgg_b2g4
55.78
11.33
224
1
repvgg_b3
110.96
26.21
224
1
repvgg_b3g4
75.63
16.06
224
1
repvgg_d2se
120.39
66.99
320
1
resnet32ts
17.96
4.63
256
1
resnet33ts
19.68
4.76
256
1
resnet50_clip
38.32
6.14
224
3
resnet50_clip_gap
23.53
5.39
224
3
resnet50_mlp
26.65
7.05
256
0
resnet50x4_clip
87.14
21.35
288
1
resnet50x4_clip_gap
65.62
19.57
288
1
resnet50x16_clip
167.33
74.90
384
1
resnet50x16_clip_gap
136.20
70.32
384
1
resnet50x64_clip
420.38
265.02
448
1
resnet50x64_clip_gap
365.03
253.96
448
1
resnet51q
35.70
6.38
256
1
resnet61q
36.85
7.80
256
1
resnet101_clip
56.26
9.81
224
2
resnet101_clip_gap
42.52
9.11
224
2
resnext26ts
10.30
2.43
256
1
seresnet33ts
19.78
4.76
256
1
seresnext26ts
10.39
2.43
256
1
test_byobnet
0.46
0.03
160
1
Los GMAC y el número de parámetros corresponden al tamaño de entrada y al clasificador predeterminados de cada arquitectura, según los resultados de las pruebas de rendimiento.
Pesos preentrenados
Top-1 es la precisión de validación en ImageNet-1k desde results-imagenet.csv en el tamaño de evaluación indicado, - si el peso no tiene un resultado de ImageNet-1k (p. ej. pesos de preentrenamiento o de imagen-texto). Classes es el tamaño del clasificador preentrenado, ninguno para pesos sin uno.
Los pesos se agrupan por origen: el artículo o procedencia indicado en la configuración preentrenada, en su defecto una organización del Hub distinta de timm, y si no, la primera parte de la etiqueta preentrenada (architecture.tag). Los orígenes con un solo peso se listan bajo
other.
