and get access to the augmented documentation experience
Collaborate on models, datasets and Spaces
Faster examples with accelerated inference
Switch between documentation themes
to get started
BYOBNet (GENet, RepVGG, MobileOne, …)
Kategori: CNN · Kod:timm/models/byobnet.py · Mimariler: 53 · Önceden eğitilmiş ağırlıklar: 57 (41'i ImageNet-1k sonuçlarıyla)
Bring-Your-Own-Blocks Network, blokları aşamalar halinde yığan dataclass yapılandırmalarından oluşturulan esnek bir ağdır. GPU-Efficient Networks (gernet_*), RepVGG, MobileOne, RegNetZ, CLIP'in ResNet görüntü kuleleri (*_clip) ve bir dizi ResNet tarzı timm varyantını uygular.
Önceden eğitilmiş ağırlıkları yükleme, görüntü ön işleme ve ince ayar için Hızlı Başlangıç bölümüne, modelleri omurga olarak kullanmak için ise Özellik Çıkarımı bölümüne bakın.
✓ 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 (ByobNetmobileone_s1 ile 224 boyutunda), 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
bat_resnext26ts
10.73
2.53
256
1
eca_resnet33ts
19.68
4.76
256
1
eca_resnext26ts
10.30
2.43
256
1
gcresnet33ts
19.88
4.76
256
1
gcresnet50t
25.90
5.42
256
1
gcresnext26ts
10.48
2.43
256
1
gcresnext50ts
15.67
3.75
256
1
gernet_l
31.08
4.57
256
1
gernet_m
21.14
3.02
224
1
gernet_s
8.17
0.75
224
1
mobileone_s0
2.08
0.28
224
1
mobileone_s1
4.76
0.83
224
1
mobileone_s2
7.81
1.30
224
1
mobileone_s3
10.08
1.90
224
1
mobileone_s4
14.84
2.98
224
1
regnetz_b16
9.72
1.45
224
1
regnetz_b16_evos
9.74
1.43
224
0
regnetz_c16
13.46
2.51
256
1
regnetz_c16_evos
13.49
2.48
256
1
regnetz_d8
23.37
3.97
256
1
regnetz_d8_evos
23.46
4.50
256
1
regnetz_d32
27.58
5.98
256
1
regnetz_e8
57.70
9.91
256
1
repvgg_a0
8.31
1.36
224
1
repvgg_a1
12.79
2.36
224
1
repvgg_a2
25.50
5.12
224
1
repvgg_b0
14.34
3.06
224
1
repvgg_b1
51.83
11.82
224
1
repvgg_b1g4
36.13
7.31
224
1
repvgg_b2
80.32
18.38
224
1
repvgg_b2g4
55.78
11.33
224
1
repvgg_b3
110.96
26.21
224
1
repvgg_b3g4
75.63
16.06
224
1
repvgg_d2se
120.39
66.99
320
1
resnet32ts
17.96
4.63
256
1
resnet33ts
19.68
4.76
256
1
resnet50_clip
38.32
6.14
224
3
resnet50_clip_gap
23.53
5.39
224
3
resnet50_mlp
26.65
7.05
256
0
resnet50x4_clip
87.14
21.35
288
1
resnet50x4_clip_gap
65.62
19.57
288
1
resnet50x16_clip
167.33
74.90
384
1
resnet50x16_clip_gap
136.20
70.32
384
1
resnet50x64_clip
420.38
265.02
448
1
resnet50x64_clip_gap
365.03
253.96
448
1
resnet51q
35.70
6.38
256
1
resnet61q
36.85
7.80
256
1
resnet101_clip
56.26
9.81
224
2
resnet101_clip_gap
42.52
9.11
224
2
resnext26ts
10.30
2.43
256
1
seresnet33ts
19.78
4.76
256
1
seresnext26ts
10.39
2.43
256
1
test_byobnet
0.46
0.03
160
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.
Ağırlıklar kaynağa göre gruplandırılır: önceden eğitilmiş yapılandırmada belirtilen makale veya köken, aksi halde timm dışında bir Hub kuruluşu, aksi halde önceden eğitilmiş etiketin ilk kısmı (architecture.tag). Tek bir ağırlığı olan kaynaklar
other altında listelenir.
