GhostNet

카테고리: Efficient/Mobile · 코드: timm/models/ghostnet.py · 아키텍처: 10 · 프리트레이닝 가중치: 5 (ImageNet-1k 결과 포함 5개)

GhostNet은 일부 feature map을 저비용 연산(Ghost 모듈)으로 생성합니다. GhostNetV2는 장거리 의존성을 위해 DFC attention을 추가하고, GhostNetV3은 학습 시 re-parameterization과 knowledge distillation을 사용합니다.

논문

사용

사전 학습된 가중치 로드, 이미지 전처리 및 파인튜닝에 대해서는 Quickstart를, 모델을 백본으로 사용하는 방법에 대해서는 Feature Extraction을 참고하세요.

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

모델 API 지원

기능	`GhostNet`
`features_only=True` feature map	✓ (strides 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
입력 크기 무관, 변경 불필요	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
레이어별 LR 감쇠(`group_matcher()`)	✓
`reset_classifier()`	✓

✓ 지원됨, ✓ (정사각형) 정사각형 크기만 지원됨, ✗ 미지원, – 필요 없음(모델이 이미 모든 입력 크기를 허용함). 무작위로 초기화된 모델(GhostNet의 ghostnet_050, 224)에서 각 기능을 실행하여 확인했습니다. 같은 클래스의 다른 아키텍처도 동일한 동작을 하는 것으로 예상됩니다. 자세한 내용은 Model API 페이지를 참조하세요.

아키텍처

아키텍처	매개변수 (M)	GMAC	입력 크기	사전 학습된 가중치
`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

GMACs와 매개변수 수는 각 아키텍처의 기본 입력 크기 및 분류기에 대한 값이며, 벤치마크 결과에서 가져왔습니다.

사전 학습된 가중치

Top-1은 results-imagenet.csv에 나열된 평가 크기에서 측정된 ImageNet-1k 검증 정확도입니다. - 가중치에 ImageNet-1k 결과가 없는 경우(예: 사전 학습 또는 이미지-텍스트 가중치)에는 표시하지 않습니다. Classes는 사전 학습된 분류기의 크기를 나타내며, 분류기가 없는 가중치의 경우 none입니다.

가중치	입력 크기	Top-1(%)	평가 크기	클래스	라이선스	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