ResNeSt
1.0.0
شبكة الانتقاء المنقسمة ، وهو متغير جديد RESNET. إنه يعزز بشكل كبير أداء النماذج المصب مثل Mask R-CNN و Cascade R-CNN و DEERTLABV3.
# using github url
pip install git+https://github.com/zhanghang1989/ResNeSt
# using pypi
pip install resnest --pre| حجم المحصول | Pytorch | غلون | |
|---|---|---|---|
| Resnest-50 | 224 | 81.03 | 81.04 |
| Resnest-101 | 256 | 82.83 | 82.81 |
| Resnest-200 | 320 | 83.84 | 83.88 |
| Resnest-269 | 416 | 84.54 | 84.53 |
تتوفر تطبيقات الطرف الثالث : TensorFlow ، Caffe ، Jax.
تتوفر نماذج دراسة استئصال إضافية في الرابط
import torch
# get list of models
torch . hub . list ( 'zhanghang1989/ResNeSt' , force_reload = True )
# load pretrained models, using ResNeSt-50 as an example
net = torch . hub . load ( 'zhanghang1989/ResNeSt' , 'resnest50' , pretrained = True ) # using ResNeSt-50 as an example
from resnest . torch import resnest50
net = resnest50 ( pretrained = True ) # using ResNeSt-50 as an example
from resnest . gluon import resnest50
net = resnest50 ( pretrained = True )نحن نقدم غلافًا للتدريب على نماذج Detectron2 مع Resnest Backbone في D2. يتم إصدار تكوينات التدريب والنماذج المسبقة. انظر التفاصيل في D2.
تم تبني العمود الفقري Resnest بواسطة MMDetection.
ملاحظة: يتم اختبار سرعة الاستدلال المبلغ عنها في الورقة باستخدام تنفيذ Gluon مع بيانات التسجيل.
هنا نستخدم تنسيق بيانات الصورة الخام للبساطة ، يرجى اتباع تعليمي GluonCV إذا كنت ترغب في استخدام تنسيق Recordio.
cd scripts/dataset/
# assuming you have downloaded the dataset in the current folder
python prepare_imagenet.py --download-dir ./ # use resnest50 as an example
cd scripts/torch/
python verify.py --model resnest50 --crop-size 224 # use resnest50 as an example
cd scripts/gluon/
python verify.py --model resnest50 --crop-size 224بالنسبة لنماذج اكتشاف الكائنات ونماذج تجزئة المثيلات ، يرجى زيارة شوكة Detectron2-Rescnest.
RESNEST: شبكات الانتقاء المنقسمة [ARXIV]
Hang Zhang ، Chongruo Wu ، Zhongyue Zhang ، Yi Zhu ، Zhi Zhang ، Haibin Lin ، Yue Sun ، Tong He ، Jonas Muller ، R. Manmatha ، Mu Li و Alex Smola
@article{zhang2020resnest,
title={ResNeSt: Split-Attention Networks},
author={Zhang, Hang and Wu, Chongruo and Zhang, Zhongyue and Zhu, Yi and Zhang, Zhi and Lin, Haibin and Sun, Yue and He, Tong and Muller, Jonas and Manmatha, R. and Li, Mu and Smola, Alexander},
journal={arXiv preprint arXiv:2004.08955},
year={2020}
}
