ResNet

Categoria: CNN · Código: timm/models/resnet.py · Arquiteturas: 81 · Pesos pré-treinados: 150 (144 com resultados no ImageNet-1k)

Redes residuais (ResNet) e as variantes construídas sobre a mesma classe ResNet: convoluções agrupadas ResNeXt, atenção de canal Squeeze-and-Excitation (SE) e ECA, stems profundos / em camadas e downsampling por pooling médio (as variantes “c”, “d”, “s” e “t”), downsampling anti-aliasado e configurações Wide ResNet e ResNet-RS.

Artigos

• Aprendizado residual profundo para reconhecimento de imagens
• Truques para classificação de imagens com redes neurais convolucionais
• Transformações Residuais Agregadas para Redes Neurais Profundas
• Redes Residuais Largas
• Redes Squeeze-and-Excitation
• ECA-Net: Atenção de Canal Eficiente para Redes Neurais Convolucionais Profundas
• Tornando as Redes Convolucionais Invariantes a Novamente
• Normalização de Grupo
• Revisitando ResNets: Estratégias de Treinamento e Escala Aprimoradas
• ResNet contra-ataca: um procedimento de treinamento aprimorado no timm
• Aprendizado semi-supervisionado em escala de bilhões para classificação de imagens
• Explorando os Limites do Pré-treino Fracamente Supervisionado
• Poda de Mochila com Destilação Interna

Referenciado por pesos pré-treinados:

• arXiv:2203.07845

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('resnet50.a1_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 (ResNet com resnet10t em 176); 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.

ResNet contra-ataca

As configurações pré-treinadas fazem referência a ResNet strikes back: An improved training procedure in timm.

huggingface/pytorch-image-models

Origem: github.com/huggingface/pytorch-image-models

cv.gluon.ai

Origem: cv.gluon.ai/model_zoo/classification.html

pytorch/vision

Origem: github.com/pytorch/vision

facebookresearch/semi-supervised-ImageNet1K-models

Origem: github.com/facebookresearch/semi-supervised-ImageNet1K-models

tf tags

tags miil

facebookresearch/WSL-Images

Origem: github.com/facebookresearch/WSL-Images

sw tags

Outros