Awesome Backbones

Backbones impresionantes para la clasificación de imágenes

Escribir en frente

• Si el efecto de entrenamiento no es bueno, lo primero que debe hacer es ajustar la tasa de aprendizaje y el tamaño del lote, lo que afecta en gran medida la convergencia. En segundo lugar, a partir de apagar los métodos de mejora de la imagen (especialmente los conjuntos de datos pequeños), algunos métodos de mejora de la imagen pueden contaminar datos, como

¿Cómo eliminar las mejoras? Si Train_Pipeline en el archivo de configuración EficeMetNetV2-B0 se puede cambiar a lo siguiente

 train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(
        type='RandomResizedCrop',
        size=192,
        efficientnet_style=True,
        interpolation='bicubic'),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='ImageToTensor', keys=['img']),
    dict(type='ToTensor', keys=['gt_label']),
    dict(type='Collect', keys=['img', 'gt_label'])
]

Si su conjunto de datos ha cambiado de forma al tamaño requerido por la red por adelantado, la operación Resize también se puede eliminar.

Registro de actualizaciones

2024.09.06

• Se solucionó el problema de grandes resultados flotantes durante la evaluación de la retroalimentación de alta frecuencia

2023.12.02

• Se agregó las salidas mencionadas por muchas personas en problemas , Train ACC y VAL PEDRA

  • metrics_outputs.csv guarda train_loss, train_acc, train_precision, train_recall, train_f1-score, val_loss, val_acc, val_precision, val_recall, val_f1-score para que todos los dibujen
  • El terminal se ha actualizado desde la salida original de las métricas relacionadas con Val a la salida de tren y val.

2023.08.05

• Se agregó TinyVit (desajuste de peso previa a la altura), DEIT3 , EdGenext , RevVisionTransformer

2023.03.07

• Se agregó MobileVit , Davit , Replknet , Beit , EVA , MixMim , EfficientNetV2

2022.11.20

• Se agregó si usar el conjunto de pruebas como la opción Conjunto de verificación. Si no, divida el número de conjuntos de verificación del conjunto de entrenamiento por relación, y seleccione aleatoriamente desde una determinada carpeta del conjunto de entrenamiento como el conjunto de verificación (similar a K-Fold pero no, puede cambiarla ligeramente para lograr el propósito de K-Fold). Ver Tutorial de capacitación para más detalles

Entorno de prueba

• Pytorch 1.7.1+
• Python 3.6+

material

Conjunto de datos	Tutorial de video	Grupo de discusión de tecnología de inteligencia artificial
Código de extracción花卉数据集: 0zat	Haz clic en mí para saltar	Grupo 1: 78174903 Grupo 3: 584723646

Empezar rápidamente

• Configuración completa por la construcción de entorno de bucle
• Descargue el peso mobileNetv3-Small a los datos
• Entrada de terminal en la carpeta Awesome-Backbones

python tools/single_test.py datas/cat-dog.png models/mobilenet/mobilenet_v3_small.py --classes-map datas/imageNet1kAnnotation.txt

Tutorial

• Construcción ambiental
• Preparación de datos
• Explicación del archivo de configuración
• tren
• Evaluación del modelo
• Calcular flops y parámetros
• Agregar nuevos componentes del modelo
• Visualización del gráfico de activación de categoría
• Visualización de la estrategia de tasa de aprendizaje
• Visualización de la política de mejora de datos

Modelo

• Lenet5
• Alexnet
• VGG
• Densenet
• Resnet
• Reducción
• Resnext
• Seresnet
• Sieresnext
• Regnet
• Mobilenetv2
• Mobilenetv3
• Shufflenetv1
• Shufflenetv2
• EficeTnet
• Repvgg
• Res2net
• Convnexo
• Hrnet
• Convmixer
• Cspnet
• Transformador de giro
• Transformador de visión
• Transformador en transformador
• Mixer de MLP
• DEIT
• Conformador
• T2T-VIT
• Mellizos
• Formador de piscinas
• FURGONETA
• Avispón
• Formador eficiente
• Transformador de láminas V2
• MVIT V2
• Mobilevit
• Pescante
• repleta
• Beit
• Eva
• Mezcla
• Eficiente NETV2

Pesos previos al entrenamiento

nombre	Peso	nombre	Peso	nombre	Peso
Lenet5	Ninguno	Alexnet	Ninguno	VGG	VGG-11 VGG-13 VGG-16 VGG-19 VGG-11-BN VGG-13-BN VGG-16-BN VGG-19-BN
Resnet	Resnet-18 Resnet-34 Resnet-50 Resnet-101 Resnet-152	Resnetv1c	Resnetv1c-50 Resnetv1c-101 Resnetv1c-152	Resnetv1d	Resnetv1d-50 Resnetv1d-101 Resnetv1d-152
Resnext	Resnext-50 Resnext-101 Resnext-152	Seresnet	Seresnet-50 Seresnet-101	Sieresnext	Ninguno
Regnet	Regnetx-400mf Regnetx-800mf Regnetx-1.6gf Regnetx-3.2gf Regnetx-4.0gf REGNETX-6.4GF Regnetx-8.0gf REGNETX-12GF	Mobilenetv2	Mobilenetv2	Mobilenetv3	Mobilenetv3-small Mobilenetv3-larga
Shufflenetv1	Shufflenetv1	Shufflenetv2	Shufflenetv2	EficeTnet	Eficientenet-b0 EficeTnet-B1 Eficientenet-b2 Eficientenet-b3 Eficientenet-b4 EficeTnet-B5 Eficientenet-b6 Eficientenet-b7 Eficientenet-b8
Repvgg	Repvgg-A0 Repvgg-A1 Repvgg-A2 Repvgg-B0 Repvgg-B1 Repvgg-A1 Repvgg-B1G2 Repvgg-b1g4 Repvgg-B2 Repvgg-b2g4 Repvgg-b2g4 Repvgg-B3 Repvgg-b3g4 Repvgg-d2se	Res2net	Res2net-50-14W-8s Res2net-50-26W-8S Res2net-101-26W-4s	Convnexo	Convnext pequeño Convnext-small Convnext-base Convnext-Large ConvNext-xlarge
Hrnet	HRNET-W18 HRNET-W30 HRNET-W32 HRNET-W40 HRNET-W44 HRNET-W48 HRNET-W64	Convmixer	Convmixer-768/32 Convmixer-1024/20 Convmixer-1536/20	Cspnet	CSPDARKNET50 Cspresnet50 Cspresnext50
Transformador de giro	Tiny-224 pequeño-224 base-224 Gran-224 base-384 grande-384	Transformador de visión	vit_base_p16_224 vit_base_p32_224 vit_large_p16_224 vit_base_p16_384 vit_base_p32_384 vit_large_p16_384	Transformador en Transformer	TNT-Small
Mezclador de MLP	base_p16 grande_p16	DEIT	Deits Deit-pequeño destilado De maldito Deit-Small destilado Basura Deit-base destilada Deit-base 384px Deit-base destilada 384px	Conformador	Conformador pequeño-p16 Conformador-small-p32 Conformador-small-p16 Conformador-base-P16
T2T-VIT	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	Mellizos	PCPVT-Small Base de PCPVT PCPVT-Large SVT-Small Svt-base SVT-Large	Formador de piscinas	Poolformer-S12 Poolformer-S24 Poolformer-S36 Poolformer-M36 Poolformer-M48
Densenet	Densenet121 Densenet161 Densenet169 Densenet201	Red de atención visual (furgoneta)	Pequeño Pesadilla Base de la camioneta Furgoneta	Reducción	WRN-50 WRN-101
Avispón	Diminuto Gf de pabillo Tazón Hornet-Small-Gf Basura Hornet-Base-GF Abierro Hornet-Large-GF Hornet-Large-GF384	Formador eficiente	eficiente formador-l1 eficiente formador-l3 eficiente formador-l7	Transformador de láminas V2	Ventana Tiny-256 8 Ventana Tiny-256 16 Pequeña ventana 8 ventana pequeña-256 16 Base-256 Ventana 8 Base-256 Ventana 16 Ventana grande-256 16 Ventana grande-384 24
Mvitv2	Mvitv2 pequeño Mvitv2 Base mvitv2 Mvitv2-grande	Mobilevit	Mobilevit-xxsmall Mobilevit-xsmall Mobilevit-small	Pescante	Davit-t Shorro Davit-B
Repleta	Replknet-31b-224 Replknet-31b-384 Replknet-31L-384 Replknet-xl	Beit	Base de beit	Eva	EVA-G-P14-224 EVA-G-P14-336 EVA-G-P14-560 EVA-G-P16-224 EVA-L-P14-224 EVA-L-P14-196 EVA-L-P14-336
Mezcla	base de mixmim	Eficiente NETV2	EficienteNetv2-B0 Eficiente NETV2-B1 Eficiente NETV2-B2 EficienteNetv2-B3 EficienteNetv2-S EficienteNetv2-M EficienteNetv2-L Eficiente NETV2-XL	Deit3	deit3_small_p16 deit3_small_p16_384 deit3_base_p16 deit3_base_p16_384 deit3_medium_p16 deit3_large_p16 deit3_large_p16_384 deit3_huge_p16
Edgenext	base de texto punta de borde Edgeext-x-small Edgeext-xx-small	RevisionTransformer	revit-small base de revisión

Otros proyectos que mantengo

• ¿Datos de imagen insuficientes? Hice un software de mejora de imágenes
• La conversión y edición del software de etiquetado de imágenes de un solo clic mejora enormemente la eficiencia

referirse a

 @repo{2020mmclassification,
    title={OpenMMLab's Image Classification Toolbox and Benchmark},
    author={MMClassification Contributors},
    howpublished = {url{https://github.com/open-mmlab/mmclassification}},
    year={2020}
}