HRNet

Categoria: CNN · Código: timm/models/hrnet.py · Arquiteturas: 11 · Pesos pré-treinados: 14 (14 com resultados no ImageNet-1k)

As Redes de Alta Resolução mantêm um ramo de alta resolução por toda a rede e adicionam ramos de resolução mais baixa em paralelo, trocando informações entre eles repetidamente.

Artigos

• Aprendizado de Representação de Alta Resolução Profunda para Reconhecimento Visual
• Além da auto-supervisão: uma alternativa simples e eficaz de destilação de rede para melhorar os backbones

Uso

Veja o Início rápido para carregar pesos pré-treinados, pré-processar imagens e fazer fine-tuning, e Extração de recursos para usar os modelos como backbones.

>>> import timm
>>> model = timm.create_model('hrnet_w18.ms_aug_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Suporte à API de modelos

✓ suportado, ✓ (quadrado) funciona apenas para tamanhos quadrados, ✗ não suportado, – não necessário (o modelo já aceita qualquer tamanho de entrada). Verificado executando cada recurso em um modelo inicializado aleatoriamente (HighResolutionNet com hrnet_w18_small em 224); espera-se que outras arquiteturas da mesma classe se comportem da mesma forma. Consulte a página Model API para mais detalhes.

Arquiteturas

Os GMACs e as contagens de parâmetros são para o tamanho de entrada e o classificador padrão de cada arquitetura, dos resultados do benchmark.

Pesos pré-treinados

Top-1 é a acurácia de validação no ImageNet-1k de results-imagenet.csv no tamanho de avaliação listado, - se o peso não tiver resultado no ImageNet-1k (por exemplo, pesos de pré-treinamento ou de imagem-texto). Classes é o tamanho do classificador pré-treinado, nenhum para pesos sem um.

Os pesos são agrupados por origem: o artigo ou origem indicado na configuração pré-treinada, caso contrário, uma organização do Hub diferente de timm, caso contrário, a primeira parte da tag pré-treinada (architecture.tag). As origens com um único peso são listadas em other.

tags de ms

gluon tags

paddle tags