Advertisement

Gen-EfficientNet-Pytorch: 预先训练的EfficientNet及EfficientNet-Lite等模型

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

简介：
Gen-EfficientNet-Pytorch是一个包含预先训练好的EfficientNet和EfficientNet-Lite模型的库，适用于PyTorch框架。这些高效模型在多个图像分类任务中表现出色。 PyTorch的EfficientNets（包括EfficientNet、MixNet、MobileNetV3等）提供了一种“通用”实现方式，涵盖了从MobileNet V1/V2块序列派生出的大多数计算/参数高效架构，其中包括通过自动神经架构搜索发现的一些架构。所有这些模型都是由GenEfficientNet或MobileNetV3类来实现，并且使用基于字符串的体系结构定义来进行配置以确定块布局。 在2020年8月19日更新中，新增了我用timm训练得到的一个更优版本的PyTorch EfficientNet-B3砝码（准确率为82.1% top-1）。此外还添加了一个经过PyTorch训练有素的EfficientNet-Lite0模型（top-1准确率75.5%）。 更新内容还包括ONNX和Caffe2导出/实用程序脚本，使其能够与最新的PyTorch及ONNX版本兼容。另外新增了基于ONNX运行时验证脚本激活功能，在大多数情况下可以实现与timm等效项的相同效果。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Gen-EfficientNet-Pytorch: 预先训练的EfficientNet及EfficientNet-Lite等模型
    优质
    Gen-EfficientNet-Pytorch是一个包含预先训练好的EfficientNet和EfficientNet-Lite模型的库，适用于PyTorch框架。这些高效模型在多个图像分类任务中表现出色。 PyTorch的EfficientNets（包括EfficientNet、MixNet、MobileNetV3等）提供了一种“通用”实现方式，涵盖了从MobileNet V1/V2块序列派生出的大多数计算/参数高效架构，其中包括通过自动神经架构搜索发现的一些架构。所有这些模型都是由GenEfficientNet或MobileNetV3类来实现，并且使用基于字符串的体系结构定义来进行配置以确定块布局。 在2020年8月19日更新中，新增了我用timm训练得到的一个更优版本的PyTorch EfficientNet-B3砝码（准确率为82.1% top-1）。此外还添加了一个经过PyTorch训练有素的EfficientNet-Lite0模型（top-1准确率75.5%）。 更新内容还包括ONNX和Caffe2导出/实用程序脚本，使其能够与最新的PyTorch及ONNX版本兼容。另外新增了基于ONNX运行时验证脚本激活功能，在大多数情况下可以实现与timm等效项的相同效果。
     
  • EfficientNet PyTorch版预训练模型B0-B7
    优质
    简介：EfficientNet PyTorch版提供B0至B7七个版本的预训练模型，适用于图像分类任务，结合AutoML和复合缩放技术优化计算效率与准确性。 EfficientNet的PyTorch版本预训练模型包括从B0到B7的不同大小的模型。如果你需要这些资源，请尽快获取。
     
  • EfficientNet 预训练模型文件
    优质
    EfficientNet是一款高性能的深度学习预训练模型，适用于图像分类任务，基于自动模型搜索和复合缩放技术优化，提供卓越的精度与效率。 EfficientNet PyTorch的预训练文件，在官方链接上通常难以下载成功。我这里共有8个版本从b0到b7，只需4个积分即可获得，这简直物美价廉！！！
     
  • EfficientNet-PyTorch：基于PyTorch的EfficientNet实现
    优质
    EfficientNet-PyTorch是使用PyTorch框架开发的EfficientNet模型的高效实现，适用于图像分类任务。它通过自动模型缩放策略优化了网络结构和参数大小。 使用EfficientNet PyTorch可以通过pip install efficientnet_pytorch命令安装，并通过以下代码加载预训练的模型： ```python from efficientnet_pytorch import EfficientNet model = EfficientNet.from_pretrained(efficientnet-b0) ``` 更新记录如下： - 2020年8月25日：新增了一个`include_top（默认为True）`选项，同时提高了代码质量和修复了相关问题。 - 2020年5月14日：增加了全面的注释和文档支持（感谢@workingcoder贡献）。 - 2020年1月23日：基于对抗训练添加了新的预训练模型类别，名为advprop。
     
  • EfficientNet-b(0-7)预训练权重.rar
    优质
    本资源包含EfficientNet-b系列（从b0到b7）的所有预训练模型权重，适用于快速迁移学习和图像分类任务。 当神经网络包含大量参数时，它们表现出最佳性能，并成为强大的函数逼近器。然而，这也意味着需要对庞大的数据集进行训练。由于从头开始训练模型可能是一个计算密集型任务，耗时几天甚至几周，因此这里提供了各种预先训练好的模型供下载！EfficientNet b0-b7可以一次性打包下载。
     
  • EfficientNet-b(0-7)预训练权重.rar
    优质
    本资源包含EfficientNet-B0至B7七个版本模型的预训练权重文件，适用于图像识别和分类任务，便于快速部署与应用。 当神经网络包含大量参数时，它们的效果最佳，并且能够作为强大的函数逼近器使用。然而，这意味着需要对非常大的数据集进行训练。由于从头开始训练模型可能是一个计算密集型的过程，耗时几天甚至几周，因此这里提供了各种预先训练好的模型供下载！EfficientNet b0-b7的全部版本可以一次性打包获取。
     
  • PyTorch图像模型、脚本和预训练权重 - （SE）ResNet/ResNeXt，DPN，EfficientNet，MixNe...
    优质
    本文介绍了使用PyTorch实现的一系列先进的图像处理模型，包括（SE）ResNet/ResNeXt，DPN，EfficientNet和MixNet等，并提供了详细的脚本和预训练权重。 PyTorch图像模型包括（SE）ResNet/ResNeXT、DPN、EfficientNet、MixNet、MobileNet-V3/V2/V1、MNASNet以及单路径NAS和FBNet等，最近更新了DenseNet模型，并提高了内存效率以修复错误。此外还添加了模糊池和深茎功能，增加了VoVNet V1和V2模型的版本，并将ese_vovnet_39b变体训练至79.3 top-1激活工厂。新的激活操作可以在创建模型时执行，以便在使用脚本或跟踪（ONNX导出）以及hard_mish（实验性）兼容的激活时更加灵活。
     
  • EfficientNet for CIFAR10
    优质
    本研究探讨了EfficientNet模型在CIFAR10数据集上的应用效果，通过调整模型参数以适应小型图像分类任务，展示了其高效性和优越性能。 使用Pytorch实现EfficientNet模型在CIFAR10数据集上的测试，并且有一个包含完整训练和测试输出数据的ipynb文件。
     
  • EfficientNet-Lite0.tar.gz
    优质
    EfficientNet-Lite0是一个轻量级的深度学习模型，基于EfficientNet架构优化设计，特别适用于计算资源受限的设备。该模型通过减少参数和计算量，保持高效准确的同时降低了运行成本。 efficientnet-lite0.tar.gz
     
  • 发型分类：定制高端模型与训练有素的EfficientNet比较
    优质
    本文探讨了不同类型的发型，并通过构建定制化高端模型与预训练的EfficientNet进行对比分析，以评估其在发型分类任务中的性能差异。 发型分类预处理包括使用OpenCV进行人脸检测并裁剪图像，然后提升作为第一个输入图像；同时通过OpenCV分割获得第二个输入图像。采用不复杂的DNN网络架构，并加入Dropout和BatchNormarize以避免过度拟合。此外，在训练数据集上增加样本数量，并将L1或L2正则化器添加到层中来优化表现损耗曲线的准确性。