# RepGhost

**Catégorie :** Efficient/Mobile · **Code :** [`timm/models/repghost.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/repghost.py) · **Architectures :** 8 · **Poids pré-entraînés :** 8 (8 avec des résultats ImageNet-1k)

RepGhostNet remplace la concaténation de caractéristiques du module Ghost par une réutilisation de caractéristiques reparamétrée, intégrée dans un seul chemin de convolution lors de l'inférence.

## Articles

* [RepGhost : un module Ghost efficace sur le plan matériel via la reparamétrisation](https://arxiv.org/abs/2211.06088)

## Utilisation

Consultez le [Démarrage rapide](../quickstart) pour le chargement des poids pré-entraînés, le prétraitement des images et l’ajustement fin, ainsi que [Extraction de caractéristiques](../feature_extraction) pour utiliser les modèles comme squelettes.

```py
>>> import timm
>>> model = timm.create_model('repghostnet_200.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## Prise en charge de l'API des modèles

| Fonctionnalité | `RepGhostNet` |
|---|---|
| [cartes de caractéristiques `features_only=True`](../model_api#intermediate-features) | ✓ (pas 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Toute taille d'entrée, aucune modification nécessaire](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✓ |
| [Décroissance du taux d'apprentissage par couche (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ pris en charge, ✓ (carré) fonctionne uniquement pour les tailles carrées, ✗ non pris en charge, – non nécessaire (le modèle accepte déjà n'importe quelle taille d'entrée). Vérifié en exécutant chaque fonctionnalité sur un modèle initialisé aléatoirement (`RepGhostNet` avec `repghostnet_050` à 224), les autres architectures de la même classe sont censées se comporter de la même manière. Consultez la page [API du modèle](../model_api) pour plus de détails.

## Architectures

| Architecture | Paramètres (M) | GMACs | Taille d'entrée | Poids pré-entraînés |
|---|---:|---:|---:|---:|
| `repghostnet_050` | 2.31 | 0.05 | 224 | 1 |
| `repghostnet_058` | 2.54 | 0.06 | 224 | 1 |
| `repghostnet_080` | 3.27 | 0.10 | 224 | 1 |
| `repghostnet_100` | 4.06 | 0.15 | 224 | 1 |
| `repghostnet_111` | 4.52 | 0.18 | 224 | 1 |
| `repghostnet_130` | 5.46 | 0.24 | 224 | 1 |
| `repghostnet_150` | 6.55 | 0.31 | 224 | 1 |
| `repghostnet_200` | 9.77 | 0.53 | 224 | 1 |

Les GMACs et le nombre de paramètres correspondent à la taille d’entrée par défaut et au classifieur de chaque architecture, d’après les [résultats des benchmarks](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Poids pré-entraînés

Top-1 est la précision de validation sur ImageNet-1k issue de [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) à la taille d'évaluation indiquée, - si le poids n'a pas de résultat ImageNet-1k (par exemple, poids de pré-entraînement ou poids image-texte). Classes est la taille du classifieur pré-entraîné, aucune pour les poids sans classifieur.

| Poids | Taille d'entrée | Top-1 (%) | Taille d'évaluation | Classes | Licence | Hub |
|---|---:|---:|---:|---:|---|---|
| `repghostnet_050.in1k` | 224 | 66.978 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_050.in1k) |
| `repghostnet_058.in1k` | 224 | 68.938 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_058.in1k) |
| `repghostnet_080.in1k` | 224 | 72.240 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_080.in1k) |
| `repghostnet_100.in1k` | 224 | 74.208 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_100.in1k) |
| `repghostnet_111.in1k` | 224 | 75.060 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_111.in1k) |
| `repghostnet_130.in1k` | 224 | 76.378 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_130.in1k) |
| `repghostnet_150.in1k` | 224 | 77.474 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_150.in1k) |
| `repghostnet_200.in1k` | 224 | 78.802 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/repghostnet_200.in1k) |