ResNeSt

Resnest

Split-Befragungsnetzwerk, eine neue Resnet-Variante. Es steigert die Leistung von nachgeschalteten Modellen wie Mask R-CNN, Cascade R-CNN und Deeplabv3 erheblich.

Inhaltsverzeichnis

0. Vorbereitete Modelle
1. Übertragungslernmodelle
2. Überprüfen Sie die ImageNet -Ergebnisse
3. Wie man trainiert
4. Referenz

Pypi / github installieren

0. Installieren Sie dieses Paket -Repo und beachten Sie, dass Sie nur eine der Optionen auswählen müssen

 # using github url
pip install git+https://github.com/zhanghang1989/ResNeSt

# using pypi
pip install resnest --pre

Vorbereitete Modelle

	Erntegröße	Pytorch	Gluon
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

• Implementierungen der Drittanbieter sind verfügbar: TensorFlow, Caffe, Jax.

• Zusätzliche Ablationsstudienmodelle sind in Link verfügbar

Pytorch -Modelle

• Laden Sie mit Taschenalch Hub

 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 )

• Laden Sie mit dem Python -Paket

 # using ResNeSt-50 as an example
from resnest . torch import resnest50
net = resnest50 ( pretrained = True )

Gluon -Modelle

• Laden Sie ein vorbereitetes Modell:

 # using ResNeSt-50 as an example
from resnest . gluon import resnest50
net = resnest50 ( pretrained = True )

Übertragungslernmodelle

DETECTRON2

Wir bieten einen Wrapper für Trainingsdetektronenmodelle mit einem Resnest -Rückgrat bei D2. Trainingskonfigurationen und vorbereitete Modelle werden veröffentlicht. Siehe Details in D2.

Mmdetektion

Das Resnest -Rückgrat wurde durch mmdetektion übernommen.

Semantische Segmentierung

• Pytorch -Modelle und Training: Bitte besuchen Sie das Pytorch -Codierungs -Toolkit.
• Gluon -Modelle und Training: Bitte besuchen Sie Gluoncv Toolkit.

Überprüfen Sie die ImageNet -Ergebnisse:

Hinweis: Die in der Arbeit angegebene Inferenzgeschwindigkeit wird unter Verwendung der Gluon -Implementierung mit Aufnahmedaten getestet.

Bereiten Sie den ImageNet -Datensatz vor:

Hier verwenden wir den Einfachheit halber für das Rohbilddatenformat. Befolgen Sie bitte das Gluoncv -Tutorial, wenn Sie das Recordio -Format verwenden möchten.

 cd scripts/dataset/
# assuming you have downloaded the dataset in the current folder
python prepare_imagenet.py --download-dir ./

Fackelmodell

 # use resnest50 as an example
cd scripts/torch/
python verify.py --model resnest50 --crop-size 224

Gluon -Modell

 # use resnest50 as an example
cd scripts/gluon/
python verify.py --model resnest50 --crop-size 224

Wie man trainiert

ImageNet -Modelle

• Training mit MXNET Gluon: Bitte besuchen Sie den Gluon -Ordner.
• Training mit Pytorch: Bitte besuchen Sie das Pytorch -Codierungs -Toolkit (etwas schlechter als die Gluon -Implementierung).

Detektronenmodelle

Für die Objekterkennungs- und Instanz-Segmentierungsmodelle besuchen Sie bitte unsere Detektron2-RESNEST-Gabel.

Semantische Segmentierung

• Training mit Pytorch: Codierungs -Toolkit.
• Training mit MXNET: Gluoncv Toolkit.

Referenz

Resnest: Split-Tentention-Netzwerke [Arxiv]

Hang Zhang, Chongruo Wu, Zhongyue Zhang, Yi Zhu, Zhi Zhang, Haibin Lin, Yue Sun, Tong He, Jonas Muller, R. Manmatha, Mu Li und 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}
}

Hauptversuche

• Resnest Backbone (Hang Zhang)
• DETECTRON MODELLE (CHONGRUO WU, ZHONGYUE Zhang)
• Semantische Segmentierung (Yi Zhu)
• Verteiltes Training (Haibin Lin)