EfficientNet

Categoría: Efficient/Mobile · Código: timm/models/efficientnet.py · Arquitecturas: 115 · Pesos preentrenados: 119 (113 con resultados en ImageNet-1k)

EfficientNet y EfficientNetV2, y las arquitecturas móviles relacionadas construidas a partir de los mismos bloques de residual invertido separable por profundidad (MBConv) y MBConv fusionado: MixNet, MnasNet, FBNet, Single-Path NAS, MobileNet-V1 / V2, EfficientNet-Lite, EdgeTPU y TinyNet.

Papers

• EfficientNetV2: modelos más pequeños y entrenamiento más rápido
• EfficientNet: Repensando la escalabilidad de modelos para redes neuronales convolucionales
• CondConv: Convoluciones parametrizadas condicionalmente para una inferencia eficiente
• Los ejemplos adversarios mejoran el reconocimiento de imágenes
• El autoentrenamiento con Noisy Student mejora la clasificación en ImageNet
• Podado de la mochila con destilación interna
• Evolución de las capas de normalización-activación
• Búsqueda de familias de modelos rápidos en aceleradores de centro de datos
• MixConv: Mixed Depthwise Convolutional Kernels
• MnasNet: Búsqueda de arquitecturas neuronales consciente de la plataforma para móviles
• MobileNets: redes neuronales convolucionales eficientes para aplicaciones de visión móvil
• MobileNetV2: Residuales invertidos y cuellos de botella lineales
• Búsqueda de arquitecturas neuronales eficientes para ML en el dispositivo en TPUs de borde
• FBNet: Diseño eficiente de ConvNet con conciencia de hardware mediante búsqueda de arquitecturas neuronales diferenciables
• NAS de un solo camino: diseño de ConvNets eficientes en hardware en menos de 4 horas
• Cubo de Rubik de modelos: torsión de la resolución, la profundidad y el ancho para TinyNets

Uso

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.

>>> import timm
>>> model = timm.create_model('efficientnet_b0.ra_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Soporte de la API de modelos

✓ 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 (EfficientNet con mobilenetv2_035 a 224), se espera que otras arquitecturas de la misma clase se comporten de la misma manera. Consulte la página Model API para obtener más detalles.

Arquitecturas

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.

etiquetas ra

ns tags

etiquetas ap

aa tags

etiquetas ra4

etiquetas ra2

etiquetas de rmsp

etiquetas de sw

etiquetas agc

lamb tags

Otros