GhostNet

Kategori: Efficient/Mobile · Kod: timm/models/ghostnet.py · Mimariler: 10 · Önceden eğitilmiş ağırlıklar: 5 (5 tanesi ImageNet-1k sonuçlarıyla)

GhostNet, özellik haritalarının bir kısmını ucuz işlemlerle (Ghost modülleri) üretir. GhostNetV2, uzun menzilli bağımlılıklar için DFC dikkatini ekler; GhostNetV3 ise eğitim sırasında yeniden parametrelendirme ve bilgi damıtma kullanır.

Makaleler

Kullanım

Önceden eğitilmiş ağırlıkları yükleme, görüntü ön işleme ve ince ayar için Hızlı Başlangıç bölümüne, modelleri omurga olarak kullanmak için ise Özellik Çıkarımı bölümüne bakın.

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

Model API desteği

Özellik	`GhostNet`
`features_only=True` özellik haritaları	✓ (adım 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
Herhangi bir giriş boyutu, değişiklik gerekmez	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
Katman bazlı LR azaltma (`group_matcher()`)	✓
`reset_classifier()`	✓

✓ destekleniyor, ✓ (kare) yalnızca kare boyutlarda çalışır, ✗ desteklenmiyor, – gerekli değil (model zaten herhangi bir giriş boyutunu kabul eder). Her özellik, rastgele başlatılmış bir model üzerinde çalıştırılarak kontrol edilir (GhostNet için ghostnet_050, 224 boyutunda); aynı sınıftaki diğer mimarilerin de aynı şekilde davranması beklenir. Ayrıntılar için Model API sayfasına bakın.

Mimariler

Mimari	Parametreler (M)	GMAC'lar	Girdi boyutu	Önceden eğitilmiş ağırlıklar
`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

GMAC'lar ve parametre sayıları, her mimarinin varsayılan giriş boyutu ve sınıflandırıcısı içindir ve benchmark sonuçlarından alınmıştır.

Önceden eğitilmiş ağırlıklar

Top-1, belirtilen değerlendirme boyutunda results-imagenet.csv dosyasındaki ImageNet-1k doğrulama doğruluğudur; ağırlığın ImageNet-1k sonucu yoksa (ör. ön eğitim veya görsel-metin ağırlıkları) bu değer "-" olarak gösterilir. Classes, ön eğitilmiş sınıflandırıcının boyutudur; sınıflandırıcısı olmayan ağırlıklar için bu değer "none"dur.

Ağırlık	Girdi boyutu	En iyi 1 (%)	Değerlendirme boyutu	Sınıflar	Lisans	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