الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

(عام) كفاءة في Pytorch 

 - - **NOTE** This repo is not being maintained --

الرجاء استخدام timm بدلاً من ذلك. ويشمل كل هذه التعريفات النموذجية (الأوزان المتوافقة) وأكثر من ذلك بكثير.

تنفيذ "عام" للتطبيق الفعال ، mixnet ، mobilenetv3 ، وما إلى ذلك ، يغطي معظم البنية الفعالة للحساب/المعلمة المستمدة من تسلسل كتلة Mobilenet V1/V2 ، بما في ذلك تلك الموجودة عبر البحث عن الهندسة العصبية الآلية.

يتم تنفيذ جميع النماذج بواسطة فئات GeneffierNet أو Mobilenetv3 ، مع تعريفات الهندسة المعمارية القائمة على السلسلة لتكوين تخطيطات الكتلة (Idea من هنا)

ما الجديد

19 أغسطس 2020

  • أضف الأوزان المحدثة Pytorch المدربة على الكفاءة التي تم تدريبها بنفسي مع timm (82.1 Top-1)
  • أضف Pytorch المدربة كفاءة Net0 التي ساهمت بها @HAL-314 (75.5 Top-1)
  • تحديث البرامج النصية للتصدير / الأداة المساعدة ONNX و CAFFE2 للعمل مع أحدث PYTORCH / ONNX
  • تمت إضافة نص التحقق من صحة وقت التشغيل ONNX
  • تنشيط (في الغالب) تزامن مع مكافئات timm

5 أبريل 2020

  • أضف بعض طرازات Mobilenet-V2 المدربة حديثًا المدربة مع أحدث H-Params ، Rand Mupment. إنهم يقارنون بشكل إيجابي تمامًا مع الكفاءة
    • 3.5m Param Mobilenet-V2 100 @ 73 ٪
    • 4.5m Param Mobilenet-V2 110d @ 75 ٪
    • 6.1m Param Mobilenet-V2 140 @ 76.5 ٪
    • 5.8m Param Mobilenet-V2 120d @ 77.3 ٪

23 مارس 2020

  • أضف نماذج فعالة net-lite مع الأوزان المنقولة من Tensorflow TPU
  • أضف Pytorch المدربة Mobilenet-V3 أوزان كبيرة مع 75.77 ٪ أعلى 1
  • تغيير مهم (إذا كان التدريب من نقطة الصفر) - تم تغيير الوزن لتطابق بشكل أفضل لـ TensorFlow IMP ، تعيين fix_group_fanout=False في initialize_weight_goog للسلوك القديم

12 فبراير 2020

  • أضف أوزان صاخبة من DEFICTNETNET-L2 و B0-B7 المنقولة من TensorFlow TPU
  • Port New Caffictnet-B8 (Randaugment) من TF TPU ، فهي مختلفة عن B8 Advprop ، تطبيع المدخلات المختلفة.
  • أضف Randaugment Pytorch تدرب أوزان فعالة (Edgetpu-Small) مع 78.1 Top-1. تدرب من قبل أندرو لافين

22 يناير 2020

  • تحديث الأوزان لـ DefientNet B0 و B2 و B3 و Mixnet-XL مع أحدث الأوزان المدربة. تدرب مع (https://github.com/rwightman/pytorch-emage-models)
  • إصلاح توافق Torchscript لـ Pytorch 1.4 ، أضف دعم Torchscript لـ MixedConv2d باستخدام Moduledict
  • نماذج الاختبار ، Torchscript ، تصدير ONNX مع Pytorch 1.4 - لا توجد مشاكل

22 نوفمبر 2019

  • أعلى مستوى جديد في المرتبة الأولى! تم نقل TF الرسمي TF كفاءة advprop (https://arxiv.org/abs/1911.09665) أوزان ومواصفات طراز B8. أنشأت مجموعة جديدة من نماذج ap نظرًا لأنها تستخدم معالجة مسبقة مختلفة (الوسط/STD) من أوزان BASE/AA/RA الأصلية.

15 نوفمبر 2019

  • الرسمية الرسمية TF Mobilenet-V3 Float32 أوزان كبيرة/صغيرة/الحد الأدنى
  • التعديلات على نموذج Mobilenet-V3 ومكونات لدعم بعض التكوين الإضافي اللازم للاختلافات بين TF Mobilenet-V3 و MINE

30 أكتوبر 2019

  • ستعمل العديد من النماذج الآن مع torch.jit.script ، Mixnet هو أكبر استثناء
  • واجهة محسّنة لتمكين أوضاع Torchscript أو ONNX المتوافقة (عبر التكوين)
  • أضف JIT المحسّن SWISH/MISH AUTOGRAD.FN بالإضافة إلى Autgrad.FN الموفرة للذاكرة
  • مصنع التنشيط لتحديد أفضل إصدار من التنشيط بالاسم أو تجاوزه على مستوى العالم
  • أضف مساعد تحميل نقطة التفتيش المسبق الذي يتعامل مع تغييرات الإدخال والمصنف

27 أكتوبر 2019

  • إضافة متغيرات CondConv DEFAINTNET تم نقلها من https://github.com/tensorflow/tpu/tree/master/models/official/ffficenet/condconv
  • أضف أوزان رندوغ لـ TF DEFAINTNET B5 و B7 من https://github.com/tensorflow/tpu/tree/master/models/official/ffficenet
  • أحضر نموذج MIXNET-XL وعمق التحجيم من قاعدة رمز نظامات صورة PYTORCH
  • تبديل تنشيط وتجميع عالمي إلى الوحدات النمطية
  • أضف SWISH/MISH الموفرة للذاكرة
  • أضف طريقة AS_Sequential () إلى جميع النماذج والسماح كوسيطة في FNS Point
  • نقل mobilenetv3 إلى ملف خاص لأنه يحتوي على رأس مختلف
  • قم بإزالة Chamnet ، MobiLenet V2/V1 لأنه من المحتمل ألا يتم استخدامه هنا

النماذج

تشمل النماذج المنفذة:

  • efficiatnet noisystudent (B0-B7 ، L2) (https://arxiv.org/abs/1911.04252)
  • effaivenet advprop (B0-B8) (https://arxiv.org/abs/1911.09665)
  • كفاءة (B0-B8) (https://arxiv.org/abs/1905.11946)
  • efficientnet-edgetpu (s ، m ، l) (https://ai.googleblog.com/2019/08/ffilednet-edgetpu-creating.html)
  • efficafnet-condconv (https://arxiv.org/abs/1904.04971)
  • efficiannet-lite (https://github.com/tensorflow/tpu/tree/master/models/official/ffectivenet/lite)
  • mixnet (https://arxiv.org/abs/1907.09595)
  • Mnasnet B1 ، A1 (Sequeze-Excite) ، والصغيرة (https://arxiv.org/abs/1807.11626)
  • Mobilenet-V3 (https://arxiv.org/abs/1905.02244)
  • fbnet-c (https://arxiv.org/abs/1812.03443)
  • أحادي المسار الواحد NAS (https://arxiv.org/abs/1904.02877)

لقد قمت في الأصل بتطبيق وتدريب بعض هذه النماذج مع الكود هنا ، يحتوي هذا المستودع على نماذج GenefficientNet فقط ، والتحقق من صحة ، ورمز تصدير ONNX/CAFFE2 المرتبط.

ما قبل

لقد تمكنت من تدريب العديد من الطرز على الدقة القريبة من أو أعلى من الأوراق الأصلية والضغط الرسمي. رمز التدريب الخاص بي هنا: https://github.com/rwightman/pytorch-emage-models

نموذج prec@1 (err) prec@5 (err) بارام#(م) Madds (M) تحجيم الصورة دقة اقتصاص
effaiveNet_B3 82.240 (17.760) 96.116 (3.884) 12.23 TBD بيكوبيك 320 1.0
effaiveNet_B3 82.076 (17.924) 96.020 (3.980) 12.23 TBD بيكوبيك 300 0.904
mixnet_xl 81.074 (18.926) 95.282 (4.718) 11.90 TBD بيكوبيك 256 1.0
efficafnet_b2 80.612 (19.388) 95.318 (4.682) 9.1 TBD بيكوبيك 288 1.0
mixnet_xl 80.476 (19.524) 94.936 (5.064) 11.90 TBD بيكوبيك 224 0.875
efficafnet_b2 80.288 (19.712) 95.166 (4.834) 9.1 1003 بيكوبيك 260 0.890
mixnet_l 78.976 (21.024 94.184 (5.816) 7.33 TBD بيكوبيك 224 0.875
effaiveNet_B1 78.692 (21.308) 94.086 (5.914) 7.8 694 بيكوبيك 240 0.882
efficafnet_es 78.066 (21.934) 93.926 (6.074) 5.44 TBD بيكوبيك 224 0.875
effaiveNet_B0 77.698 (22.302) 93.532 (6.468) 5.3 390 بيكوبيك 224 0.875
mobilenetv2_120d 77.294 (22.706 93.502 (6.498) 5.8 TBD بيكوبيك 224 0.875
mixnet_m 77.256 (22.744) 93.418 (6.582) 5.01 353 بيكوبيك 224 0.875
mobilenetv2_140 76.524 (23.476) 92.990 (7.010) 6.1 TBD بيكوبيك 224 0.875
mixnet_s 75.988 (24.012) 92.794 (7.206) 4.13 TBD بيكوبيك 224 0.875
mobilenetv3_large_100 75.766 (24.234) 92.542 (7.458) 5.5 TBD بيكوبيك 224 0.875
mobilenetv3_rw 75.634 (24.366) 92.708 (7.292) 5.5 219 بيكوبيك 224 0.875
effaivenet_lite0 75.472 (24.528) 92.520 (7.480) 4.65 TBD بيكوبيك 224 0.875
mnasnet_A1 75.448 (24.552) 92.604 (7.396) 3.9 312 بيكوبيك 224 0.875
FBNETC_100 75.124 (24.876) 92.386 (7.614) 5.6 385 الحلوى الثنائية 224 0.875
mobilenetv2_110d 75.052 (24.948) 92.180 (7.820) 4.5 TBD بيكوبيك 224 0.875
mnasnet_B1 74.658 (25.342) 92.114 (7.886) 4.4 315 بيكوبيك 224 0.875
spnasnet_100 74.084 (25.916) 91.818 (8.182) 4.4 TBD الحلوى الثنائية 224 0.875
mobilenetv2_100 72.978 (27.022) 91.016 (8.984) 3.5 TBD بيكوبيك 224 0.875

المزيد من النماذج المسبقة القادمة ...

الأوزان المنقذ

الأوزان التي يتم نقلها من نقاط تفتيش Tensorflow لنماذج DefientNet تتوافق بشكل كبير في دقة TensorFlow بمجرد إضافة نفس ما يعادل حشوة الالتواء ، ويتم استخدام نفس عوامل المحاصيل ، تحجيم الصور ، إلخ (انظر الجدول) عبر ARGS CMD Line.

مهم:

  • تستخدم أوزان TensorFlow لـ DefaifNet Advprop (AP) ، و eventnet edgetpu ، وفعالية نماذج النماذج ، و effectnet-lite ، و mobilenet-v3 نماذج Inception Models (0.5 ، 0.5 ، 0.5) للمتوسط والمتوسط.
  • إن تمكين خط أنابيب المعالجة المسبقة لـ TensorFlow مع --tf-preprocessing في وقت التحقق من صحة سيؤدي إلى تحسين الدرجات بنسبة 0.1-0.5 ٪ ، بالقرب من ضمن TF الأصلي.

لتشغيل التحقق من صحة TF_EFFICTNET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --crop-pct 0.934 --interpolation bicubic

لتشغيل التحقق من صحة W/TF معالجات مسبق لـ TF_EFFICTNET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --tf-preprocessing

لتشغيل التحقق من صحة نموذج مع المعالجة المسبقة للبدء ، أي adventnet-b8 advprop: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b8_ap -b 48 --num-gpu 2 --img-size 672 --crop-pct 0.954 --mean 0.5 --std 0.5

نموذج prec@1 (err) prec@5 (err) بارام # تحجيم الصورة حجم الصورة اقتصاص
TF_EFFICTNET_L2_NS *TFP 88.352 (11.648) 98.652 (1.348) 480 بيكوبيك 800 ن/أ
TF_EFFICTNET_L2_NS TBD TBD 480 بيكوبيك 800 0.961
TF_EFFICTNET_L2_NS_475 88.234 (11.766) 98.546 (1.454) 480 بيكوبيك 475 0.936
TF_EFFICTNET_L2_NS_475 *TFP 88.172 (11.828) 98.566 (1.434) 480 بيكوبيك 475 ن/أ
TF_EFFICTNET_B7_NS *TFP 86.844 (13.156) 98.084 (1.916) 66.35 بيكوبيك 600 ن/أ
TF_EFFICTNET_B7_NS 86.840 (13.160) 98.094 (1.906) 66.35 بيكوبيك 600 ن/أ
TF_EFFICTNET_B6_NS 86.452 (13.548) 97.882 (2.118) 43.04 بيكوبيك 528 ن/أ
TF_EFFICTNET_B6_NS *TFP 86.444 (13.556) 97.880 (2.120) 43.04 بيكوبيك 528 ن/أ
TF_EFFICTNET_B5_NS *TFP 86.064 (13.936) 97.746 (2.254) 30.39 بيكوبيك 456 ن/أ
TF_EFFICTNET_B5_NS 86.088 (13.912) 97.752 (2.248) 30.39 بيكوبيك 456 ن/أ
TF_EFFICTNET_B8_AP *TFP 85.436 (14.564) 97.272 (2.728) 87.4 بيكوبيك 672 ن/أ
TF_EFFICTNET_B8 *TFP 85.384 (14.616) 97.394 (2.606) 87.4 بيكوبيك 672 ن/أ
TF_EFFICTNET_B8 85.370 (14.630) 97.390 (2.610) 87.4 بيكوبيك 672 0.954
TF_EFFICTNET_B8_AP 85.368 (14.632) 97.294 (2.706) 87.4 بيكوبيك 672 0.954
TF_EFFICTNET_B4_NS *TFP 85.298 (14.702) 97.504 (2.496) 19.34 بيكوبيك 380 ن/أ
TF_EFFICTNET_B4_NS 85.162 (14.838) 97.470 (2.530) 19.34 بيكوبيك 380 0.922
TF_EFFICTNET_B7_AP *TFP 85.154 (14.846) 97.244 (2.756) 66.35 بيكوبيك 600 ن/أ
TF_EFFICTNET_B7_AP 85.118 (14.882) 97.252 (2.748) 66.35 بيكوبيك 600 0.949
TF_EFFICTNET_B7 *TFP 84.940 (15.060) 97.214 (2.786) 66.35 بيكوبيك 600 ن/أ
TF_EFFICTNET_B7 84.932 (15.068) 97.208 (2.792) 66.35 بيكوبيك 600 0.949
TF_EFFICTNET_B6_AP 84.786 (15.214) 97.138 (2.862) 43.04 بيكوبيك 528 0.942
TF_EFFICTNET_B6_AP *TFP 84.760 (15.240) 97.124 (2.876) 43.04 بيكوبيك 528 ن/أ
TF_EFFICTNET_B5_AP *TFP 84.276 (15.724) 96.932 (3.068) 30.39 بيكوبيك 456 ن/أ
TF_EFFICTNET_B5_AP 84.254 (15.746) 96.976 (3.024) 30.39 بيكوبيك 456 0.934
TF_EFFICTNET_B6 *TFP 84.140 (15.860) 96.852 (3.148) 43.04 بيكوبيك 528 ن/أ
TF_EFFICTNET_B6 84.110 (15.890) 96.886 (3.114) 43.04 بيكوبيك 528 0.942
TF_EFFICTNET_B3_NS *TFP 84.054 (15.946) 96.918 (3.082) 12.23 بيكوبيك 300 ن/أ
TF_EFFICTNET_B3_NS 84.048 (15.952) 96.910 (3.090) 12.23 بيكوبيك 300 .904
TF_EFFICTNET_B5 *TFP 83.822 (16.178) 96.756 (3.244) 30.39 بيكوبيك 456 ن/أ
TF_EFFICTNET_B5 83.812 (16.188) 96.748 (3.252) 30.39 بيكوبيك 456 0.934
TF_EFFICTNET_B4_AP *TFP 83.278 (16.722) 96.376 (3.624) 19.34 بيكوبيك 380 ن/أ
TF_EFFICTNET_B4_AP 83.248 (16.752) 96.388 (3.612) 19.34 بيكوبيك 380 0.922
TF_EFFICTNET_B4 83.022 (16.978) 96.300 (3.700) 19.34 بيكوبيك 380 0.922
TF_EFFICTNET_B4 *TFP 82.948 (17.052) 96.308 (3.692) 19.34 بيكوبيك 380 ن/أ
TF_EFFICTNET_B2_NS *TFP 82.436 (17.564) 96.268 (3.732) 9.11 بيكوبيك 260 ن/أ
TF_EFFICTNET_B2_NS 82.380 (17.620) 96.248 (3.752) 9.11 بيكوبيك 260 0.89
TF_EFFICTNET_B3_AP *TFP 81.882 (18.118) 95.662 (4.338) 12.23 بيكوبيك 300 ن/أ
TF_EFFICTNET_B3_AP 81.828 (18.172) 95.624 (4.376) 12.23 بيكوبيك 300 0.904
TF_EFFICTNET_B3 81.636 (18.364) 95.718 (4.282) 12.23 بيكوبيك 300 0.904
TF_EFFICTNET_B3 *TFP 81.576 (18.424) 95.662 (4.338) 12.23 بيكوبيك 300 ن/أ
TF_EFFICTNET_LITE4 81.528 (18.472) 95.668 (4.332) 13.00 الحلوى الثنائية 380 0.92
TF_EFFICTNET_B1_NS *TFP 81.514 (18.486) 95.776 (4.224) 7.79 بيكوبيك 240 ن/أ
TF_EFFICTNET_LITE4 *TFP 81.502 (18.498) 95.676 (4.324) 13.00 الحلوى الثنائية 380 ن/أ
TF_EFFICTNET_B1_NS 81.388 (18.612) 95.738 (4.262) 7.79 بيكوبيك 240 0.88
TF_EFFICTNET_EL 80.534 (19.466) 95.190 (4.810) 10.59 بيكوبيك 300 0.904
TF_EFFICTNET_EL *TFP 80.476 (19.524) 95.200 (4.800) 10.59 بيكوبيك 300 ن/أ
TF_EFFICTNET_B2_AP *TFP 80.420 (19.580) 95.040 (4.960) 9.11 بيكوبيك 260 ن/أ
TF_EFFICTNET_B2_AP 80.306 (19.694) 95.028 (4.972) 9.11 بيكوبيك 260 0.890
TF_EFFICTNET_B2 *TFP 80.188 (19.812) 94.974 (5.026) 9.11 بيكوبيك 260 ن/أ
TF_EFFICTNET_B2 80.086 (19.914) 94.908 (5.092) 9.11 بيكوبيك 260 0.890
TF_EFFICTNET_LITE3 79.812 (20.188) 94.914 (5.086) 8.20 الحلوى الثنائية 300 0.904
TF_EFFICTNET_LITE3 *TFP 79.734 (20.266) 94.838 (5.162) 8.20 الحلوى الثنائية 300 ن/أ
TF_EFFICTNET_B1_AP *TFP 79.532 (20.468) 94.378 (5.622) 7.79 بيكوبيك 240 ن/أ
TF_EFFICTNET_CC_B1_8E *TFP 79.464 (20.536) 94.492 (5.508) 39.7 بيكوبيك 240 0.88
TF_EFFICTNET_CC_B1_8E 79.298 (20.702) 94.364 (5.636) 39.7 بيكوبيك 240 0.88
TF_EFFICTNET_B1_AP 79.278 (20.722) 94.308 (5.692) 7.79 بيكوبيك 240 0.88
TF_EFFICTNET_B1 *TFP 79.172 (20.828) 94.450 (5.550) 7.79 بيكوبيك 240 ن/أ
TF_EFFICTNET_EM *TFP 78.958 (21.042) 94.458 (5.542) 6.90 بيكوبيك 240 ن/أ
TF_EFFICTNET_B0_NS *TFP 78.806 (21.194) 94.496 (5.504) 5.29 بيكوبيك 224 ن/أ
TF_MIXNET_L *TFP 78.846 (21.154) 94.212 (5.788) 7.33 الحلوى الثنائية 224 ن/أ
TF_EFFICTNET_B1 78.826 (21.174) 94.198 (5.802) 7.79 بيكوبيك 240 0.88
tf_mixnet_l 78.770 (21.230) 94.004 (5.996) 7.33 بيكوبيك 224 0.875
TF_EFFICTNET_EM 78.742 (21.258) 94.332 (5.668) 6.90 بيكوبيك 240 0.875
TF_EFFICTNET_B0_NS 78.658 (21.342) 94.376 (5.624) 5.29 بيكوبيك 224 0.875
TF_EFFICTNET_CC_B0_8E *TFP 78.314 (21.686) 93.790 (6.210) 24.0 بيكوبيك 224 0.875
TF_EFFICTNET_CC_B0_8E 77.908 (22.092) 93.656 (6.344) 24.0 بيكوبيك 224 0.875
TF_EFFICTNET_CC_B0_4E *TFP 77.746 (22.254) 93.552 (6.448) 13.3 بيكوبيك 224 0.875
TF_EFFICTNET_CC_B0_4E 77.304 (22.696) 93.332 (6.668) 13.3 بيكوبيك 224 0.875
TF_EFFICTNET_ES *TFP 77.616 (22.384) 93.750 (6.250) 5.44 بيكوبيك 224 ن/أ
TF_EFFICTNET_LITE2 *TFP 77.544 (22.456) 93.800 (6.200) 6.09 الحلوى الثنائية 260 ن/أ
TF_EFFICTNET_LITE2 77.460 (22.540) 93.746 (6.254) 6.09 بيكوبيك 260 0.89
TF_EFFICTNET_B0_AP *TFP 77.514 (22.486) 93.576 (6.424) 5.29 بيكوبيك 224 ن/أ
TF_EFFICTNET_ES 77.264 (22.736) 93.600 (6.400) 5.44 بيكوبيك 224 ن/أ
TF_EFFICTNET_B0 *TFP 77.258 (22.742) 93.478 (6.522) 5.29 بيكوبيك 224 ن/أ
TF_EFFICTNET_B0_AP 77.084 (22.916) 93.254 (6.746) 5.29 بيكوبيك 224 0.875
TF_MIXNET_M *TFP 77.072 (22.928) 93.368 (6.632) 5.01 الحلوى الثنائية 224 ن/أ
tf_mixnet_m 76.950 (23.050) 93.156 (6.844) 5.01 بيكوبيك 224 0.875
TF_EFFICTNET_B0 76.848 (23.152) 93.228 (6.772) 5.29 بيكوبيك 224 0.875
TF_EFFICTNET_LITE1 *TFP 76.764 (23.236) 93.326 (6.674) 5.42 الحلوى الثنائية 240 ن/أ
TF_EFFICTNET_LITE1 76.638 (23.362) 93.232 (6.768) 5.42 بيكوبيك 240 0.882
tf_mixnet_s *tfp 75.800 (24.200) 92.788 (7.212) 4.13 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_LARGE_100 *TFP 75.768 (24.232) 92.710 (7.290) 5.48 الحلوى الثنائية 224 ن/أ
tf_mixnet_s 75.648 (24.352) 92.636 (7.364) 4.13 بيكوبيك 224 0.875
TF_MOBILENETV3_LARGE_100 75.516 (24.484) 92.600 (7.400) 5.48 الحلوى الثنائية 224 0.875
TF_EFFICTNET_LITE0 *TFP 75.074 (24.926) 92.314 (7.686) 4.65 الحلوى الثنائية 224 ن/أ
TF_EFFICTNET_LITE0 74.842 (25.158) 92.170 (7.830) 4.65 بيكوبيك 224 0.875
TF_MOBILENETV3_LARGE_075 *TFP 73.730 (26.270) 91.616 (8.384) 3.99 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_LARGE_075 73.442 (26.558) 91.352 (8.648) 3.99 الحلوى الثنائية 224 0.875
TF_MOBILENETV3_LARGE_MINIMAL_100 *TFP 72.678 (27.322) 90.860 (9.140) 3.92 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_LARGE_MINIMAL_100 72.244 (27.756) 90.636 (9.364) 3.92 الحلوى الثنائية 224 0.875
TF_MOBILENETV3_SMALL_100 *TFP 67.918 (32.082) 87.958 (12.042 2.54 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_SMALL_100 67.918 (32.082) 87.662 (12.338) 2.54 الحلوى الثنائية 224 0.875
TF_MOBILENETV3_SMALL_075 *TFP 66.142 (33.858) 86.498 (13.502) 2.04 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_SMALL_075 65.718 (34.282) 86.136 (13.864) 2.04 الحلوى الثنائية 224 0.875
TF_MOBILENETV3_SMALL_MINIMAL_100 *TFP 63.378 (36.622) 84.802 (15.198) 2.04 الحلوى الثنائية 224 ن/أ
TF_MOBILENETV3_SMALL_MINIMAL_100 62.898 (37.102) 84.230 (15.770) 2.04 الحلوى الثنائية 224 0.875

*نماذج TFP تم التحقق من صحة مع خط أنابيب tf-preprocessing

أوزان Google TF و Tflite التي تم نقلها من مستودعات TensorFlow الرسمية

  • https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet
  • https://github.com/tensorflow/tpu/tree/master/models/official/ffficehnet
  • https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet

الاستخدام

بيئة

تم إجراء جميع التطوير والاختبار في بيئات Conda Python 3 على أنظمة Linux X86-64 ، وتحديداً Python 3.6.x ، 3.7.x ، 3.8.x.

أبلغ المستخدمون أن تثبيت Python 3 Anaconda في Windows Works. لم أتحقق من هذا بنفسي.

تم اختبار إصدارات Pytorch 1.4 ، 1.5 ، 1.6 مع هذا الرمز.

لقد حاولت الحفاظ على الحد الأدنى من التبعيات ، فإن الإعداد هو حسب تعليمات التثبيت الافتراضية لـ Pytorch لـ Conda: 

 conda create -n torch-env
conda activate torch-env
conda install -c pytorch pytorch torchvision cudatoolkit=10.2

PYTORCH HUB

يمكن الوصول إلى النماذج عبر واجهة برمجة تطبيقات Pytorch Hub 

 >>> torch.hub.list('rwightman/gen-efficientnet-pytorch')
['efficientnet_b0', ...]
>>> model = torch.hub.load('rwightman/gen-efficientnet-pytorch', 'efficientnet_b0', pretrained=True)
>>> model.eval()
>>> output = model(torch.randn(1,3,224,224))

pip

يمكن تثبيت هذه الحزمة عبر PIP.

تثبيت (بعد كوندا ENV/تثبيت): 

 pip install geffnet

استخدام eval: 

 >>> import geffnet
>>> m = geffnet.create_model('mobilenetv3_large_100', pretrained=True)
>>> m.eval()

استخدام القطار: 

 >>> import geffnet
>>> # models can also be created by using the entrypoint directly
>>> m = geffnet.efficientnet_b2(pretrained=True, drop_rate=0.25, drop_connect_rate=0.2)
>>> m.train()

إنشاء في حاوية nn.sequential ، من أجل fast.ai ، إلخ: 

 >>> import geffnet
>>> m = geffnet.mixnet_l(pretrained=True, drop_rate=0.25, drop_connect_rate=0.2, as_sequential=True)

التصدير

يتم تضمين البرامج النصية

  • نماذج التصدير إلى ONNX ( onnx_export.py )
  • رسم بياني ONNX المحسن ( onnx_optimize.py أو onnx_validate.py W/ --onnx-output-opt ARG)
  • التحقق من صحة وقت تشغيل ONNX ( onnx_validate.py )
  • تحويل نموذج ONNX إلى CAFFE2 ( onnx_to_caffe.py )
  • التحقق من صحة في CAFFE2 ( caffe2_validate.py )
  • معيار في Caffe2 w/ flops ، إخراج المعلمات ( caffe2_benchmark.py )

على سبيل المثال ، لتصدير نموذج Mobilenet-V3 المسبق ثم قم بتشغيل التحقق من صحة ImageNet: 

 python onnx_export.py --model mobilenetv3_large_100 ./mobilenetv3_100.onnx
python onnx_validate.py /imagenet/validation/ --onnx-input ./mobilenetv3_100.onnx

تم اختبار هذه البرامج النصية للعمل اعتبارًا من Pytorch 1.6 و Onnx 1.7 W/ Onnx Runtime 1.4. يتطلب التصدير المتوافق مع CAFFE2 الآن ARGs إضافية المذكورة في البرنامج النصي للتصدير (غير مطلوب في الإصدارات السابقة).

ملاحظات التصدير

  1. لا يمكن تصدير الأوزان التي تم نقلها TF مع حشوة "نفس" التي تم تنشيطها إلى OnNx إلا إذا تم تعيين علامة _EXPORTABLE في config.py على True. استخدم config.set_exportable(True) كما في البرنامج النصي onnx_export.py .
  2. ستشمل النماذج التي تم نقلها TF مع الحشو "نفس" الحشوة التي تم إصلاحها في وقت التصدير إلى الدقة المستخدمة للتصدير. على الرغم من أن الحشو الديناميكي مدعوم في OPSET> = 11 ، لا يمكنني تشغيله.
  3. لا يعمل مرفق ONNX تحسين بشكل موثوق في Pytorch 1.6 / ONNX 1.7. لحسن الحظ ، فإن الاستدلال القائم على OnnxRuntime يعمل بشكل جيد للغاية الآن ويتضمن تحسين الطيران.
  4. تصدير / استيراد ONNX / CAFFE2 بشكل متكرر مع إصدارات إصدار Pytorch و ONNX المختلفة. يرجى التحقق من أجهزة تتبع المشكلات الخاصة بهم قبل تقديم المشكلات هنا.
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل