ResNeSt

Kategori: CNN · Kod: timm/models/resnest.py · Mimariler: 8 · Önceden eğitilmiş ağırlıklar: 8 (8 tanesi ImageNet-1k sonuçlarıyla)

ResNeSt, ResNet tarzı bir ağda, özellik haritası bölünmeleri grupları arasında kanal dikkati kullanan bölünmüş-dikkat bloklarını kullanır.

Makaleler

ResNeSt: Bölünmüş Dikkat Ağı

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('resnest50d_1s4x24d.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Model API desteği

Özellik	`ResNet`
`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 (ResNet için resnest14d, 224 boyutunda) çalıştırılarak kontrol edilir; aynı sınıfın diğer mimarilerinin de aynı şekilde davranması beklenir. Ayrıntılar için Model API sayfasına bakın.

Mimariler

Mimari	Parametreler (M)	GMAC'lar	Girdi boyutu	Önceden eğitilmiş ağırlıklar
`resnest14d`	10.61	2.76	224	1
`resnest26d`	17.07	3.64	224	1
`resnest50d`	27.48	5.40	224	1
`resnest50d_1s4x24d`	25.68	4.43	224	1
`resnest50d_4s2x40d`	30.42	4.40	224	1
`resnest101e`	48.28	13.38	256	1
`resnest200e`	70.20	35.69	320	1
`resnest269e`	110.93	77.69	416	1

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
`resnest14d.gluon_in1k`	224	75.516	224	1000	apache-2.0	timm
`resnest26d.gluon_in1k`	224	78.476	224	1000	apache-2.0	timm
`resnest50d.in1k`	224	80.958	224	1000	apache-2.0	timm
`resnest50d_1s4x24d.in1k`	224	81.024	224	1000	apache-2.0	timm
`resnest50d_4s2x40d.in1k`	224	81.146	224	1000	apache-2.0	timm
`resnest101e.in1k`	256	82.916	256	1000	apache-2.0	timm
`resnest200e.in1k`	320	83.880	320	1000	apache-2.0	timm
`resnest269e.in1k`	416	84.542	416	1000	apache-2.0	timm

Update on GitHub