Advertisement

PyTorch-NetVlad：NetVlad的PyTorch实现，含匹兹堡训练版本

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
PyTorch-NetVlad是基于PyTorch框架实现的NetVLAD模型代码库，包含了用于匹兹堡数据集训练的特定版本，适用于视觉词袋模型研究。 在pytorch-NetVlad实现的代码中包括了用于匹兹堡数据集上训练模型的部分。下面是与表1右列第三行的结果对比： R @ 1 | R @ 5 | R @ 10 84.1 | 94.6 | 95.5 pytorch-NetVlad（alexnet）| 68.6 | 84.6 | 89.3 pytorch-NetVlad（vgg16）| 85.2 | 94.8 | 97.0 在训练模式和默认设置下运行main.py的分数应该与上述结果相似。此外，可以获取上述实验中使用的模型状态。 使用此检查点，并通过以下命令可以获得上面显示的结果： python main.py --mode=test --split=val --resume=vgg16_netvlad_checkpoint 这需要P数据集以及至少v0.4.0版本的依赖关系设置完成。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • PyTorch-NetVlad：NetVlad的PyTorch实现，含匹兹堡训练版本
    优质
    PyTorch-NetVlad是基于PyTorch框架实现的NetVLAD模型代码库，包含了用于匹兹堡数据集训练的特定版本，适用于视觉词袋模型研究。 在pytorch-NetVlad实现的代码中包括了用于匹兹堡数据集上训练模型的部分。下面是与表1右列第三行的结果对比： R @ 1 | R @ 5 | R @ 10 84.1 | 94.6 | 95.5 pytorch-NetVlad（alexnet）| 68.6 | 84.6 | 89.3 pytorch-NetVlad（vgg16）| 85.2 | 94.8 | 97.0 在训练模式和默认设置下运行main.py的分数应该与上述结果相似。此外，可以获取上述实验中使用的模型状态。 使用此检查点，并通过以下命令可以获得上面显示的结果： python main.py --mode=test --split=val --resume=vgg16_netvlad_checkpoint 这需要P数据集以及至少v0.4.0版本的依赖关系设置完成。
     
  • Vision-Transformer-PyTorch：包含预训练模型的Pytorch版Vision Transformer(...)
    优质
    Vision-Transformer-PyTorch项目提供了一个用PyTorch实现的视觉变换器（ViT）框架，并包含了多种预训练模型，适用于图像识别等任务。 视觉变压器-火炬视觉变压器的Pytorch实现提供预先训练的pytorch权重，这些是从原始jax/亚麻权重转换而来的。这是与相关项目的合作成果，并介绍了论文中的PyTorch实施方法。我们提供了从预训练的jax/flax模型转化来的预训练pytorch权重。我们也提供了微调和评估脚本。 安装环境：使用命令`conda create --name vit --file requirements.txt`创建新的虚拟环境，然后激活该环境以开始工作。 可用模델包括多种视觉变压器模型，这些是从原始jax/flax wieghts转换而来的。您可以下载并将文件放在“weights/pytorch”下以使用它们；或者您也可以直接从我们这里获取并将其存放在“weights/jax”目录中以便于使用。我们会在线帮助用户进行权重的转化。 支持的数据集目前包括ImageNet2012、CI等三个数据集。
     
  • AnimeGANv2-PyTorch: AnimeGANv2的PyTorch版本实现
    优质
    AnimeGANv2-PyTorch是基于PyTorch框架实现的AnimeGANv2代码库，用于将照片风格转换成日式漫画风格，提供模型训练和预处理工具。 PyTorch实现 从原始存储库转换权重（需要TensorFlow 1.x） ``` git clone https://github.com/TachibanaYoshino/AnimeGANv2 python convert_weights.py ``` 推理： ``` python test.py --input_dir [image_folder_path] --device [cpu/cuda] ``` 这是经过转换的模型的结果样式（从左到右：输入图像，原始TensorFlow结果，PyTorch结果）。 脸部模型是从带有L2 + VGG + GAN损失和CelebA-HQ图像中提取出来的。有关推断，请参见test_faces.ipynb文件。 注意：不包含训练代码，在RTX3090 + PyTorch1.7.1上进行了测试，由于转换后的权重结果略有不同。
     
  • TransGAN-PyTorch: [WIP] PyTorch版本的TransGAN实现
    优质
    TransGAN-PyTorch是一个正在开发中的项目，致力于提供一个基于PyTorch框架的TransGAN实现。此代码库旨在为研究者和开发者提供灵活且高效的生成对抗网络实验环境。 TransGAN-PyTorch 是 PyTorch 实现的 TransGAN 论文原始文件。安装方法是通过 pip 安装软件包： ``` pip install transgan-pytorch ``` 使用时，需要导入 torch 和 TransGAN 模块，并实例化一个 TransGAN 对象。代码示例如下： ```python import torch from transgan_pytorch import TransGAN tgan = TransGAN(...) z = torch.rand(100) # 随机噪声 pred = tgan(z) ```
     
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。
     
  • PyTorch中Python-MobileNetV3的预训练模型实现
    优质
    本项目提供了一个基于PyTorch框架的MobileNetV3预训练模型，适用于移动端和嵌入式设备，旨在优化计算资源的同时保持高效的深度学习性能。 MobileNetV3的PyTorch实现提供了预训练模型。
     
  • Pytorch版DCGAN：DCGAN的Pytorch实现
    优质
    本项目提供了一个基于PyTorch框架的深度卷积生成对抗网络（DCGAN）的实现方案。通过利用PyTorch的强大功能和灵活性，该项目能够高效地训练生成模型以产生高质量的图像数据。 派托克-DCGAN 是 DCGAN 的 Pytorch 实现。可以通过更改 DB 变量来选择不同的数据集。若想使用已保存的模型生成图像，请将 LOAD_MODEL 设置为 True 并将 EPOCHS 设定为 0。支持的数据集包括 LSUN 教堂、西莉亚和 MNIST 数据集。