Advertisement

MobileNetV2.pytorch：在ImageNet数据集上实现了72.8%的MobileNetV2 1.0模型性能，并包含一系列预训练的模型...

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

简介：
MobileNet V2的PyTorch实现，以及我在 *mobilenetv3.pytorch* 仓库中发布的下一代MobileNet方案，以及我在 *HBONet* 仓库中发布的MobileNetV2更高级的设计，并伴随着改进后的预训练模型。正如Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov和Liang-Chieh Chen所阐述的，该实现利用框架对ILSVRC2012基准进行了评估。 此实现提供了一个完整的演示流程，用于训练和验证各种流行的深度神经网络架构，同时集成了模块化的数据处理、训练过程、详细的日志记录以及直观的可视化功能。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Mobilenetv2.pytorch: MobileNetV2 1.0模型在ImageNet上的72.8%准确率及多个预训练版本...
    优质
    本项目提供了PyTorch实现的MobileNetV2 1.0模型，该模型在ImageNet数据集上达到了72.8%的Top-1准确率，并包含多种预训练版本。 MobileNet V2的PyTorch实现已发布在我的仓库中，并且发布了下一代MobileNet（*mobilenetv3.pytorch*）以及改进版的设计HBONet [ICCV 2019]，同时提供了一个更好的预训练模型。 根据Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov和Liang-Chieh Chen的研究成果，该实现使用框架对ILSVRC2012基准进行了测试。此版本提供了示例过程用于训练和验证流行深度神经网络架构，并集成了模块化数据处理、训练日志记录及可视化功能。
     
  • MobileNetV2（PyTorch）——含模型并可直接运行，适用于ImageNet主数据集测试
    优质
    本项目提供基于PyTorch框架实现的MobileNetV2模型，已集成ImageNet数据集，支持即刻运行与测试，旨在为图像分类任务优化计算资源。 MobileNetV2 是一个使用 Pytorch 实现的模型，并且可以直接执行以测试 imagenet 的 1000 分类任务。该模型是基于 imagenet 数据集进行训练的，其原始训练代码可以在 gitee 上找到。
     
  • 基于MobileNetv2预训练模型的图像分类
    优质
    本研究利用MobileNetv2预训练模型进行图像分类任务优化，通过迁移学习技术，在保持高效计算性能的同时提升分类准确率。 加载在ImageNet数据集上预训练的MobileNetv2模型。
     
  • KEARS中ImageNet数据集的预训练模型
    优质
    KEARS中的ImageNet预训练模型是基于大规模图像数据库训练而成的强大视觉识别工具，适用于各类计算机视觉任务。 GitHub上发布的Keras预训练模型（包括vgg16、vgg19和resnet50）官方下载速度较慢。我提供了一个百度云链接来加速下载过程，注册一天的百度云会员可以更快地完成下载。
     
  • GhostNet.pytorch: ImageNet上73.6%的GhostNet 1.0x预训练模型
    优质
    GhostNet.pytorch是一款在ImageNet数据集上达到73.6%准确率的轻量级深度学习模型，基于GhostNet 1.0x架构并已进行预训练，适用于图像分类任务。 GhostNet的PyTorch实现如原论文所述重现了GhostNet架构，并在ILSVRC2012基准上进行了预训练。该模型具有5.181百万参数，计算复杂度为140.77 MFLOPs，在前1名和前5名准确率分别为73.636% 和 91.228%。 ```python from ghostnet import ghostnet net = ghostnet() net.load_state_dict(torch.load(pretrained/ghostnet_1x-9c40f966.pth)) ``` 训练策略如下：在8个GPU上使用批处理大小为1024的设置，初始学习率为0.4，权重衰减设为0.00004，辍学率（dropout rate）设定为0.2。BN层中的权重不进行衰减。 我们保持上述设置不变，并采用不同的训练技术进行了消融和扩展实验。在预热阶段，采用了特定的学习策略以优化模型的初始性能表现。
     
  • MobileNetV2_pytorch_cifar：基于PyTorch的CIFAR数据集上的MobileNetv2完整实现
    优质
    本项目提供了在CIFAR数据集上使用PyTorch框架实现的MobileNetV2模型，适用于图像分类任务，代码结构清晰，易于扩展和二次开发。 MobileNetV2_pytorch_cifar 是一个在PyTorch框架下实现的完整版本的MobileNetv2模型，适用于CIFAR10、CIFAR100或自定义数据集上的训练任务。该网络采用了反向残差结构和深度卷积技术，并基于以下论文中的研究： 《残差与线性瓶颈：用于分类、检测及分割的移动网络》 项目已在Python 2.7版本以及PyTorch 0.4.0环境下完成编译，以下是必要的依赖库： - torch: 版本0.4.0 - torchvision: 版本0.2.1 - numpy: 版本1.14.3 - tensorboardX: 版本1.2 安装方法：使用pip命令首先安装上述列出的各个组件。 进行训练与测试时，需要下载CIFAR10或CIFAR100数据集或者准备自己的数据集，并按照PyTorch中定义的数据加载器格式来配置。接下来修改config.py文件以适应您的具体需求（如改变image_size等）。最后运行命令`python main.py`即可开始训练过程。
     
  • 基于PyTorch的ResNet-18在CIFAR-10数据集上的预训练模型
    优质
    本项目提供了一个使用PyTorch框架实现的深度学习模型——ResNet-18，在标准图像分类任务CIFAR-10上进行了预训练，适用于快速迁移学习应用。 PyTorch的ResNet-18在CIFAR-10数据集上有预训练模型可用。
     
  • Res2Net-PretrainedModels: TPAMI论文“Res2Net”(含ImageNet预训练模型)的官方PyTorch...
    优质
    Res2Net-PretrainedModels是基于TPAMI论文《Res2Net》的官方PyTorch实现，提供ImageNet预训练模型，助力图像识别任务性能优化。 Res2Net论文正式被IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）接受，并实现了我们的研究工作。更新如下：2020年10月20日，PaddlePaddle版本的Res2Net在ImageNet上达到了85.13%的top-1准确率；2020年8月21日发布了使用Res2Net进行检测和分割的在线演示；同年7月29日在ImageNet上发布了用于非商业用途的Res2Net培训代码。此外，自6月1日起，Res2Net已被纳入多个深度学习框架的官方模型库中，并且在5月21日成为了MMDetection v2框架中的基本骨干之一。结合使用MMDetection v2和Res2Net可以更高效地进行计算处理。
     
  • CityScapes数据集上DeepLabV3+的预训练模型
    优质
    本段介绍了一个在CityScapes数据集上进行预训练的DeepLabV3+模型。此模型专为城市环境图像语义分割任务优化，提供高质量的城市场景解析能力。 一个在Cityscapes数据集上预训练的deeplabv3plus语义分割网络模型取得了最佳效果。.ph文件包含了该模型的相关信息。
     
  • PyTorch中Python-MobileNetV2的实现
    优质
    本项目展示了如何在PyTorch框架下使用Python语言实现MobileNetV2模型，适用于移动端和嵌入式设备上的高效图像识别任务。 MobileNet V2在PyTorch中的实现涉及到了网络模型的轻量化设计，在保持较高准确率的同时大幅度减少了计算量和参数数量。通过使用诸如倒残差结构与线性瓶颈层等技术，该版本进一步优化了前一代MobileNet架构的表现，使其更加适合移动设备上的实时应用需求。