GhostNet

カテゴリ: Efficient/Mobile · コード: timm/models/ghostnet.py · アーキテクチャ: 10 · 事前学習済み重み: 5 (ImageNet-1kの結果を含む5)

GhostNetは、安価な演算（Ghostモジュール）によって特徴マップの一部を生成します。GhostNetV2では長距離依存性を扱うためにDFCアテンションを追加し、GhostNetV3では学習時に再パラメータ化と知識蒸留を使用します。

論文

使用方法

事前学習済み重みの読み込み、画像の前処理、ファインチューニングについてはクイックスタートを、モデルをバックボーンとして使用する方法については特徴量抽出を参照してください。

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

モデルAPIのサポート

機能	`GhostNet`
`features_only=True` 特徴マップ	✓ (strides 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
入力サイズは任意で、変更は不要です	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
レイヤーごとのLR減衰（`group_matcher()`）	✓
`reset_classifier()`	✓

✓ 対応、✓ (square) 正方形サイズのみ対応、✗ 非対応、– 不要（モデルはすでに任意の入力サイズを受け入れる）。各機能をランダムに初期化されたモデル（GhostNet の ghostnet_050、224）で実行して確認しています。同じクラスの他のアーキテクチャも同様に動作すると予想されます。詳細は Model API ページを参照してください。

アーキテクチャ

アーキテクチャ	パラメータ数 (M)	GMACs	入力サイズ	事前学習済み重み
`ghostnet_050`	2.59	0.05	224	0
`ghostnet_100`	5.18	0.15	224	1
`ghostnet_130`	7.36	0.24	224	0
`ghostnetv2_100`	6.16	0.18	224	1
`ghostnetv2_130`	8.96	0.28	224	1
`ghostnetv2_160`	12.39	0.42	224	1
`ghostnetv3_050`	2.85	0.05	224	0
`ghostnetv3_100`	6.15	0.17	224	1
`ghostnetv3_130`	8.95	0.28	224	0
`ghostnetv3_160`	12.38	0.41	224	0

GMACsとパラメータ数は、各アーキテクチャのデフォルトの入力サイズと分類器に基づいており、ベンチマーク結果から得られたものです。

事前学習済み重み

Top-1 は、results-imagenet.csv に記載された評価サイズでの ImageNet-1k 検証精度です。- は、ImageNet-1k の結果がない重み（例: プリトレーニング用または画像-テキスト用重み）を示します。Classes は事前学習済み分類器のサイズで、分類器を持たない重みについては none です。

重み	入力サイズ	Top-1 (%)	評価サイズ	クラス	ライセンス	Hub
`ghostnet_100.in1k`	224	73.958	224	1000	apache-2.0	timm
`ghostnetv2_100.in1k`	224	75.186	224	1000	apache-2.0	timm
`ghostnetv2_130.in1k`	224	76.746	224	1000	apache-2.0	timm
`ghostnetv2_160.in1k`	224	77.836	224	1000	apache-2.0	timm
`ghostnetv3_100.in1k`	224	76.936	224	1000	apache-2.0	timm

Update on GitHub