GhostNet

Kategori: Efficient/Mobile · Kode: timm/models/ghostnet.py · Arsitektur: 10 · Bobot terlatih: 5 (5 dengan hasil ImageNet-1k)

GhostNet menghasilkan sebagian peta fiturnya dengan operasi murah (modul Ghost). GhostNetV2 menambahkan perhatian DFC untuk dependensi jarak jauh, sedangkan GhostNetV3 menggunakan re-parameterisasi dan distilasi pengetahuan dalam pelatihan.

Makalah

• GhostNet: Lebih Banyak Fitur dari Operasi Murah
• GhostNetV2: Meningkatkan Operasi Murah dengan Perhatian Jarak Jauh
• GhostNetV3: Menjelajahi Strategi Pelatihan untuk Model Kompak

Penggunaan

Lihat Quickstart untuk memuat bobot terlatih, prapemrosesan gambar, dan penyesuaian halus, serta Ekstraksi Fitur untuk menggunakan model sebagai tulang punggung.

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

Dukungan API Model

✓ didukung, ✓ (persegi) hanya berfungsi untuk ukuran persegi, ✗ tidak didukung, – tidak diperlukan (model sudah menerima ukuran input apa pun). Diperiksa dengan menjalankan setiap fitur pada model yang diinisialisasi secara acak (GhostNet dengan ghostnet_050 pada 224), arsitektur lain dari kelas yang sama diharapkan berperilaku sama. Lihat halaman Model API untuk detailnya.

Arsitektur

GMACs dan jumlah parameter adalah untuk ukuran input dan klasifer default dari setiap arsitektur, dari hasil benchmark.

Bobot terlatih

Top-1 adalah akurasi validasi ImageNet-1k dari results-imagenet.csv pada ukuran eval yang tercantum, - jika bobot tidak memiliki hasil ImageNet-1k (misalnya bobot pretraining atau image-text). Classes adalah ukuran dari classifier pretrained, none untuk bobot yang tidak memilikinya.