Inicio>Relacionado con la programación>Pitón
Descargar

(Genérico) EficeNets para Pytorch 

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

Utilice timm en su lugar. Incluye todas estas definiciones de modelo (pesos compatibles) y mucho más.

Una implementación 'genérica' de eficiente NET, mixnet, mobileNetv3, etc. que cubre la mayoría de las arquitecturas eficientes de cómputo/parámetro derivadas de la secuencia de bloque MobileNet V1/V2, incluidas las que se encuentran a través de la búsqueda de arquitectura neuronal automatizada.

Todos los modelos se implementan mediante clases de GeneFFIEMNET o MobileNetV3, con definiciones de arquitectura basadas en cadenas para configurar los diseños de bloques (idea desde aquí)

Qué hay de nuevo

19 de agosto de 2020

  • Agregue pesas de EficeNet-B3 de Pytorch de timm .
  • Agregue Pytorch entrenado EficeTientNet-Lite0 contribuido por @HAL-314 (75.5 Top-1)
  • Actualizar los scripts de exportación / utilidad de ONNX y CAFFE2 para trabajar con el último Pytorch / ONNX
  • Script de validación basado en el tiempo de ejecución de ONNX agregado
  • Las activaciones (en su mayoría) trajeron sincronización con equivalentes timm

5 de abril de 2020

  • Agregue algunos modelos MobileNet-V2 recién entrenados entrenados con los últimos H-Params, Rand Aumment. Se comparan de manera bastante favorable con EficeMetNet-Lite
    • 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 de marzo de 2020

  • Agregue modelos eficientes de Lite con pesas portadas por TensorFlow TPU
  • Agregue grandes pesos MobileNet-V3 entrenados con Pytorch con 75.77% Top-1
  • Cambio importante (si entrenando desde cero): el init de peso cambió para que coincida mejor con TensorFlow Impl, establezca fix_group_fanout=False en initialize_weight_goog para un comportamiento antiguo

12 de febrero de 2020

  • Agregue pesos de noisystudentes eficientes de NetNet-L2 y B0-B7 portados por TPU TensorFlow
  • Puerto Nuevo pesos de EficeFientNet-B8 (Randaugment) de TF TPU, estos son diferentes a los B8 AdvProp, una normalización de entrada diferente.
  • Agregue los pesos de EficeNet-Nnet-ES (EdgetPu-Small) de Pytorch PyTorch con 78.1 Top-1. Entrenado por Andrew Lavin

22 de enero de 2020

  • Actualice pesos para eficiente B0, B2, B3 y MixNet-XL con los últimos pesos capacitados en randaugación. Entrenado con (https://github.com/rwightman/pytorch-image-models)
  • Corrección de la compatibilidad de TorchScript para Pytorch 1.4, agregue el soporte de TorchScript para MixedConv2D usando ModulEdict
  • Modelos de prueba, Torchscript, ONNX Export con Pytorch 1.4 - Sin problemas

22 de noviembre de 2019

  • ¡Nuevo top-1 alto! TF Oficial de TF portado ADVPROP (https://arxiv.org/abs/1911.09665) Pesos y especificaciones del modelo B8. Creó un nuevo conjunto de modelos ap ya que usan un preprocesamiento diferente (media de inicio/ETS) a partir de los pesos originales de Base de red eficiente/AA/RA.

15 de noviembre de 2019

  • Portado TF Oficial TF Mobilenet-V3 Float32 Pesos grandes/pequeños/minimalistas
  • Modificaciones al modelo y componentes de MobileNet-V3 para admitir una configuración adicional necesaria para las diferencias entre TF MobileNet-V3 y el mío

30 de octubre de 2019

  • Muchos de los modelos ahora funcionarán con tortch.jit.script, mixnet es la mayor excepción
  • Interfaz mejorada para habilitar los modos compatibles con TorchScript o ONNX Export (a través de la configuración)
  • Agregue JIT MEM-EFECTIVE SWISH/MISH Autograd.fn además de AutGrad.fn eficiente de memoria
  • Fábrica de activación para seleccionar la mejor versión de activación por nombre o anular una a nivel mundial
  • Agregue el valor de carga de punto de control previado que maneja los cambios de Conv y clasificadores de entrada

27 de octubre de 2019

  • Agregue las variantes de redes eficientes de Condconv portadas desde https://github.com/tensorflow/tpu/tree/master/models/official/eficiencenet/condconv
  • Agregue pesos de Randaug para TF Efficient B5 y B7 de https://github.com/tensorflow/tpu/tree/master/models/official/eficiencenet
  • Traiga el modelo MIXTNET-XL y el algo de escala de profundidad desde mi base de código de modelos de imagen Pytorch
  • Cambiar las activaciones y la agrupación global a los módulos
  • Agregue Swish/Mish eficiente de memoria de memoria
  • Agregue el método as_sequencial () a todos los modelos y permita como argumento en EntryPoint FNS
  • Mueva MobileNetv3 a un archivo propio ya que tiene un cabezal diferente
  • Elimine Chamnet, MobileNet V2/V1, ya que probablemente nunca se usarán aquí

Modelos

Los modelos implementados incluyen:

  • EficeTnet NoisyStudent (B0-B7, L2) (https://arxiv.org/abs/1911.04252)
  • EficeCientnet advProp (B0-B8) (https://arxiv.org/abs/1911.09665)
  • EficeCientNet (B0-B8) (https://arxiv.org/abs/1905.11946)
  • EficeTetNet-EdgetPu (S, M, L) (https://ai.googleblog.com/2019/08/eficiente-etgetpu-creating.html)
  • EficeTetNet-CondConv (https://arxiv.org/abs/1904.04971)
  • EfficientNet-Lite (https://github.com/tensorflow/tpu/tree/master/models/official/eficiencenet/lite)
  • Mixnet (https://arxiv.org/abs/1907.09595)
  • MNASNET B1, A1 (Squeeze-Excite) y Small (https://arxiv.org/abs/1807.11626)
  • MobileNet-V3 (https://arxiv.org/abs/1905.02244)
  • FBNET-C (https://arxiv.org/abs/1812.03443)
  • NAS de un solo camino (https://arxiv.org/abs/1904.02877)

Originalmente implementé y capacité a algunos modelos con código aquí, este repositorio contiene solo los modelos GeneFeficeMetnet, la validación y el código de exportación ONNX/CAFFE2 asociado.

Previamente

He logrado capacitar a varios de los modelos a las precisiones cercanas o superiores a los documentos de origen y la implicación oficial. Mi código de entrenamiento está aquí: https://github.com/rwightman/pytorch-image-models

Modelo Prec@1 (err) Prec@5 (err) Param#(m) Madds (M) Escala de imágenes Resolución Cultivo
eficientenet_b3 82.240 (17.760) 96.116 (3.884) 12.23 TBD bicúbico 320 1.0
eficientenet_b3 82.076 (17.924) 96.020 (3.980) 12.23 TBD bicúbico 300 0.904
mixnet_xl 81.074 (18.926) 95.282 (4.718) 11.90 TBD bicúbico 256 1.0
eficientenet_b2 80.612 (19.388) 95.318 (4.682) 9.1 TBD bicúbico 288 1.0
mixnet_xl 80.476 (19.524) 94.936 (5.064) 11.90 TBD bicúbico 224 0.875
eficientenet_b2 80.288 (19.712) 95.166 (4.834) 9.1 1003 bicúbico 260 0.890
mixnet_l 78.976 (21.024 94.184 (5.816) 7.33 TBD bicúbico 224 0.875
eficientenet_b1 78.692 (21.308) 94.086 (5.914) 7.8 694 bicúbico 240 0.882
eficientenet_es 78.066 (21.934) 93.926 (6.074) 5.44 TBD bicúbico 224 0.875
eficientenet_b0 77.698 (22.302) 93.532 (6.468) 5.3 390 bicúbico 224 0.875
mobilenetv2_120d 77.294 (22.706 93.502 (6.498) 5.8 TBD bicúbico 224 0.875
mixnet_m 77.256 (22.744) 93.418 (6.582) 5.01 353 bicúbico 224 0.875
MobileNetv2_140 76.524 (23.476) 92.990 (7.010) 6.1 TBD bicúbico 224 0.875
mixnet_s 75.988 (24.012) 92.794 (7.206) 4.13 TBD bicúbico 224 0.875
MobileNetv3_large_100 75.766 (24.234) 92.542 (7.458) 5.5 TBD bicúbico 224 0.875
mobilenetv3_rw 75.634 (24.366) 92.708 (7.292) 5.5 219 bicúbico 224 0.875
eficientenet_lite0 75.472 (24.528) 92.520 (7.480) 4.65 TBD bicúbico 224 0.875
MNASNET_A1 75.448 (24.552) 92.604 (7.396) 3.9 312 bicúbico 224 0.875
FBNETC_100 75.124 (24.876) 92.386 (7.614) 5.6 385 bilíneo 224 0.875
mobilenetv2_110d 75.052 (24.948) 92.180 (7.820) 4.5 TBD bicúbico 224 0.875
MNASNET_B1 74.658 (25.342) 92.114 (7.886) 4.4 315 bicúbico 224 0.875
spnasnet_100 74.084 (25.916) 91.818 (8.182) 4.4 TBD bilíneo 224 0.875
mobilenetv2_100 72.978 (27.022) 91.016 (8.984) 3.5 TBD bicúbico 224 0.875

Más modelos previos al vínculo por venir ...

Pesas portadas

Los pesos portados por los puntos de control de flujo de tensor para los modelos de EficeTetNet hacen que coincida con la precisión en el flujo tensorial una vez que se agrega un mismo equivalente de acolchado de convolución, y los mismos factores de cultivo, la escala de imágenes, etc. (ver tabla) se usan a través de args de línea CMD.

IMPORTANTE:

  • TensorFlow Pesos portados para eficientes ADVPROP (AP), EFECTENTNET EDGETPU, EficeTetNet-Condconv, EfficientNet-Lite y MobileNet-V3 utilizan estilo de inicio (0.5, 0.5, 0.5) para media y ETS.
  • Habilitar la tubería de preprocesamiento de TensorFlow con --tf-preprocessing en el momento de la validación mejorará los puntajes en 0.1-0.5%, muy cerca del TF original original.

Para ejecutar la validación para TF_EFFIENTNET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --crop-pct 0.934 --interpolation bicubic

Para ejecutar la validación con preprocesamiento de TF para TF_EFFIENTNET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --tf-preprocessing

Para ejecutar la validación para un modelo con preprocesamiento de inicio, es decir, eficiente-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

Modelo Prec@1 (err) Prec@5 (err) Parámetro # Escala de imágenes Tamaño de imagen Cultivo
TF_EFFIENTNET_L2_NS *TFP 88.352 (11.648) 98.652 (1.348) 480 bicúbico 800 N / A
TF_EFFIENTNET_L2_NS TBD TBD 480 bicúbico 800 0.961
TF_EFFIENTNET_L2_NS_475 88.234 (11.766) 98.546 (1.454) 480 bicúbico 475 0.936
TF_EFFIENTNET_L2_NS_475 *TFP 88.172 (11.828) 98.566 (1.434) 480 bicúbico 475 N / A
TF_EFFIENTNET_B7_NS *TFP 86.844 (13.156) 98.084 (1.916) 66.35 bicúbico 600 N / A
TF_EFFIENTNET_B7_NS 86.840 (13.160) 98.094 (1.906) 66.35 bicúbico 600 N / A
TF_EFFIENTNET_B6_NS 86.452 (13.548) 97.882 (2.118) 43.04 bicúbico 528 N / A
TF_EFFIENTNET_B6_NS *TFP 86.444 (13.556) 97.880 (2.120) 43.04 bicúbico 528 N / A
TF_EFFIENTNET_B5_NS *TFP 86.064 (13.936) 97.746 (2.254) 30.39 bicúbico 456 N / A
TF_EFFIENTNET_B5_NS 86.088 (13.912) 97.752 (2.248) 30.39 bicúbico 456 N / A
TF_EFFIENTNET_B8_AP *TFP 85.436 (14.564) 97.272 (2.728) 87.4 bicúbico 672 N / A
TF_EFFIENTNET_B8 *TFP 85.384 (14.616) 97.394 (2.606) 87.4 bicúbico 672 N / A
TF_EFFIENTNET_B8 85.370 (14.630) 97.390 (2.610) 87.4 bicúbico 672 0.954
TF_EFFIENTNET_B8_AP 85.368 (14.632) 97.294 (2.706) 87.4 bicúbico 672 0.954
TF_EFFIENTNET_B4_NS *TFP 85.298 (14.702) 97.504 (2.496) 19.34 bicúbico 380 N / A
TF_EFFIENTNET_B4_NS 85.162 (14.838) 97.470 (2.530) 19.34 bicúbico 380 0.922
TF_EFFIENTNET_B7_AP *TFP 85.154 (14.846) 97.244 (2.756) 66.35 bicúbico 600 N / A
TF_EFFIENTNET_B7_AP 85.118 (14.882) 97.252 (2.748) 66.35 bicúbico 600 0.949
TF_EFFIENTNET_B7 *TFP 84.940 (15.060) 97.214 (2.786) 66.35 bicúbico 600 N / A
TF_EFFIENTNET_B7 84.932 (15.068) 97.208 (2.792) 66.35 bicúbico 600 0.949
TF_EFFIENTNET_B6_AP 84.786 (15.214) 97.138 (2.862) 43.04 bicúbico 528 0.942
TF_EFFIENTNET_B6_AP *TFP 84.760 (15.240) 97.124 (2.876) 43.04 bicúbico 528 N / A
TF_EFFIENTNET_B5_AP *TFP 84.276 (15.724) 96.932 (3.068) 30.39 bicúbico 456 N / A
TF_EFFIENTNET_B5_AP 84.254 (15.746) 96.976 (3.024) 30.39 bicúbico 456 0.934
TF_EFFIENTNET_B6 *TFP 84.140 (15.860) 96.852 (3.148) 43.04 bicúbico 528 N / A
TF_EFFIENTNET_B6 84.110 (15.890) 96.886 (3.114) 43.04 bicúbico 528 0.942
TF_EFFIENTNET_B3_NS *TFP 84.054 (15.946) 96.918 (3.082) 12.23 bicúbico 300 N / A
TF_EFFIENTNET_B3_NS 84.048 (15.952) 96.910 (3.090) 12.23 bicúbico 300 .904
TF_EFFIENTNET_B5 *TFP 83.822 (16.178) 96.756 (3.244) 30.39 bicúbico 456 N / A
TF_EFFIENTNET_B5 83.812 (16.188) 96.748 (3.252) 30.39 bicúbico 456 0.934
TF_EFFIENTNET_B4_AP *TFP 83.278 (16.722) 96.376 (3.624) 19.34 bicúbico 380 N / A
TF_EFFIENTNET_B4_AP 83.248 (16.752) 96.388 (3.612) 19.34 bicúbico 380 0.922
TF_EFFIENTNET_B4 83.022 (16.978) 96.300 (3.700) 19.34 bicúbico 380 0.922
TF_EFFIENTNET_B4 *TFP 82.948 (17.052) 96.308 (3.692) 19.34 bicúbico 380 N / A
TF_EFFIENTNET_B2_NS *TFP 82.436 (17.564) 96.268 (3.732) 9.11 bicúbico 260 N / A
TF_EFFIENTNET_B2_NS 82.380 (17.620) 96.248 (3.752) 9.11 bicúbico 260 0.89
TF_EFFIENTNET_B3_AP *TFP 81.882 (18.118) 95.662 (4.338) 12.23 bicúbico 300 N / A
TF_EFFIENTNET_B3_AP 81.828 (18.172) 95.624 (4.376) 12.23 bicúbico 300 0.904
TF_EFFIENTNET_B3 81.636 (18.364) 95.718 (4.282) 12.23 bicúbico 300 0.904
TF_EFFIENTNET_B3 *TFP 81.576 (18.424) 95.662 (4.338) 12.23 bicúbico 300 N / A
TF_EFFIENTNET_LITE4 81.528 (18.472) 95.668 (4.332) 13.00 bilíneo 380 0.92
TF_EFFIENTNET_B1_NS *TFP 81.514 (18.486) 95.776 (4.224) 7.79 bicúbico 240 N / A
TF_EFFIENTNET_LITE4 *TFP 81.502 (18.498) 95.676 (4.324) 13.00 bilíneo 380 N / A
TF_EFFIENTNET_B1_NS 81.388 (18.612) 95.738 (4.262) 7.79 bicúbico 240 0.88
TF_EFFIENTNET_EL 80.534 (19.466) 95.190 (4.810) 10.59 bicúbico 300 0.904
TF_EFFIENTNET_EL *TFP 80.476 (19.524) 95.200 (4.800) 10.59 bicúbico 300 N / A
TF_EFFIENTNET_B2_AP *TFP 80.420 (19.580) 95.040 (4.960) 9.11 bicúbico 260 N / A
TF_EFFIENTNET_B2_AP 80.306 (19.694) 95.028 (4.972) 9.11 bicúbico 260 0.890
TF_EFFIENTNET_B2 *TFP 80.188 (19.812) 94.974 (5.026) 9.11 bicúbico 260 N / A
TF_EFFIENTNET_B2 80.086 (19.914) 94.908 (5.092) 9.11 bicúbico 260 0.890
TF_EFFIENTNET_LITE3 79.812 (20.188) 94.914 (5.086) 8.20 bilíneo 300 0.904
TF_EFFIENTNET_LITE3 *TFP 79.734 (20.266) 94.838 (5.162) 8.20 bilíneo 300 N / A
TF_EFFIENTNET_B1_AP *TFP 79.532 (20.468) 94.378 (5.622) 7.79 bicúbico 240 N / A
TF_EFFIENTNET_CC_B1_8E *TFP 79.464 (20.536) 94.492 (5.508) 39.7 bicúbico 240 0.88
TF_EFFIENTNET_CC_B1_8E 79.298 (20.702) 94.364 (5.636) 39.7 bicúbico 240 0.88
TF_EFFIENTNET_B1_AP 79.278 (20.722) 94.308 (5.692) 7.79 bicúbico 240 0.88
TF_EFFIENTNET_B1 *TFP 79.172 (20.828) 94.450 (5.550) 7.79 bicúbico 240 N / A
TF_EFFIENTNET_EM *TFP 78.958 (21.042) 94.458 (5.542) 6.90 bicúbico 240 N / A
TF_EFFIENTNET_B0_NS *TFP 78.806 (21.194) 94.496 (5.504) 5.29 bicúbico 224 N / A
tf_mixnet_l *tfp 78.846 (21.154) 94.212 (5.788) 7.33 bilíneo 224 N / A
TF_EFFIENTNET_B1 78.826 (21.174) 94.198 (5.802) 7.79 bicúbico 240 0.88
tf_mixnet_l 78.770 (21.230) 94.004 (5.996) 7.33 bicúbico 224 0.875
TF_EFFIENTNET_EM 78.742 (21.258) 94.332 (5.668) 6.90 bicúbico 240 0.875
TF_EFFIENTNET_B0_NS 78.658 (21.342) 94.376 (5.624) 5.29 bicúbico 224 0.875
TF_EFFIENTNET_CC_B0_8E *TFP 78.314 (21.686) 93.790 (6.210) 24.0 bicúbico 224 0.875
TF_EFFIENTNET_CC_B0_8E 77.908 (22.092) 93.656 (6.344) 24.0 bicúbico 224 0.875
TF_EFFIENTNET_CC_B0_4E *TFP 77.746 (22.254) 93.552 (6.448) 13.3 bicúbico 224 0.875
TF_EFFIENTNET_CC_B0_4E 77.304 (22.696) 93.332 (6.668) 13.3 bicúbico 224 0.875
TF_EFFIENTNET_ES *TFP 77.616 (22.384) 93.750 (6.250) 5.44 bicúbico 224 N / A
TF_EFFIENTNET_LITE2 *TFP 77.544 (22.456) 93.800 (6.200) 6.09 bilíneo 260 N / A
TF_EFFIENTNET_LITE2 77.460 (22.540) 93.746 (6.254) 6.09 bicúbico 260 0.89
TF_EFFIENTNET_B0_AP *TFP 77.514 (22.486) 93.576 (6.424) 5.29 bicúbico 224 N / A
TF_EFFIENTNET_ES 77.264 (22.736) 93.600 (6.400) 5.44 bicúbico 224 N / A
TF_EFFIENTNET_B0 *TFP 77.258 (22.742) 93.478 (6.522) 5.29 bicúbico 224 N / A
TF_EFFIENTNET_B0_AP 77.084 (22.916) 93.254 (6.746) 5.29 bicúbico 224 0.875
tf_mixnet_m *tfp 77.072 (22.928) 93.368 (6.632) 5.01 bilíneo 224 N / A
tf_mixnet_m 76.950 (23.050) 93.156 (6.844) 5.01 bicúbico 224 0.875
TF_EFFIENTNET_B0 76.848 (23.152) 93.228 (6.772) 5.29 bicúbico 224 0.875
TF_EFFIENTNET_LITE1 *TFP 76.764 (23.236) 93.326 (6.674) 5.42 bilíneo 240 N / A
TF_EFFIENTNET_LITE1 76.638 (23.362) 93.232 (6.768) 5.42 bicúbico 240 0.882
tf_mixnet_s *tfp 75.800 (24.200) 92.788 (7.212) 4.13 bilíneo 224 N / A
tf_mobilenetv3_large_100 *tfp 75.768 (24.232) 92.710 (7.290) 5.48 bilíneo 224 N / A
tf_mixnet_s 75.648 (24.352) 92.636 (7.364) 4.13 bicúbico 224 0.875
tf_mobilenetv3_large_100 75.516 (24.484) 92.600 (7.400) 5.48 bilíneo 224 0.875
TF_EFFIENTNET_LITE0 *TFP 75.074 (24.926) 92.314 (7.686) 4.65 bilíneo 224 N / A
TF_EFFIENTNET_LITE0 74.842 (25.158) 92.170 (7.830) 4.65 bicúbico 224 0.875
tf_mobilenetv3_large_075 *tfp 73.730 (26.270) 91.616 (8.384) 3.99 bilíneo 224 N / A
tf_mobilenetv3_large_075 73.442 (26.558) 91.352 (8.648) 3.99 bilíneo 224 0.875
tf_mobilenetv3_large_minimal_100 *tfp 72.678 (27.322) 90.860 (9.140) 3.92 bilíneo 224 N / A
tf_mobilenetv3_large_minimal_100 72.244 (27.756) 90.636 (9.364) 3.92 bilíneo 224 0.875
tf_mobilenetv3_small_100 *tfp 67.918 (32.082) 87.958 (12.042 2.54 bilíneo 224 N / A
tf_mobilenetv3_small_100 67.918 (32.082) 87.662 (12.338) 2.54 bilíneo 224 0.875
tf_mobilenetv3_small_075 *tfp 66.142 (33.858) 86.498 (13.502) 2.04 bilíneo 224 N / A
tf_mobilenetv3_small_075 65.718 (34.282) 86.136 (13.864) 2.04 bilíneo 224 0.875
tf_mobilenetv3_small_minimal_100 *tfp 63.378 (36.622) 84.802 (15.198) 2.04 bilíneo 224 N / A
tf_mobilenetv3_small_minimal_100 62.898 (37.102) 84.230 (15.770) 2.04 bilíneo 224 0.875

*Modelos TFP validados con tuberías tf-preprocessing

Pesos de Google TF y TFLite portados por repositorios oficiales de TensorFlow

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

Uso

Ambiente

Todo el desarrollo y las pruebas se han realizado en los entornos Conda Python 3 en los sistemas Linux X86-64, específicamente Python 3.6.x, 3.7.x, 3.8.x.

Los usuarios han informado que una instalación de Anaconda Python 3 en Windows funciona. No he verificado esto yo mismo.

Las versiones de Pytorch 1.4, 1.5, 1.6 se han probado con este código.

He intentado mantener mínimas las dependencias, la configuración es según las instrucciones de instalación predeterminadas de Pytorch para conda: 

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

Centro de pytorch

Se puede acceder a los modelos a través de la API de 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))

Pepita

Este paquete se puede instalar a través de PIP.

Instalar (después de Conda Env/Instalar): 

 pip install geffnet

Uso de evaluación: 

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

Uso del tren: 

 >>> 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()

Crear en un contenedor NN.SeShidial, para Fast.ai, etc: 

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

Exportador

Los guiones se incluyen para

  • Exportar modelos a ONNX ( onnx_export.py )
  • gráfico ONNX optimizado ( onnx_optimize.py o onnx_validate.py w/ --onnx-output-opt arg)
  • Validar con ONNX Runtime ( onnx_validate.py )
  • Convertir el modelo ONNX a CAFFE2 ( onnx_to_caffe.py )
  • Validar en CAFFE2 ( caffe2_validate.py )
  • Benchmark en Caffe2 w/ flops, salida de parámetros ( caffe2_benchmark.py )

Como ejemplo, para exportar el modelo Pretraled MobileNet-V3 y luego ejecutar una validación de ImageNet: 

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

Se probó que estos scripts funcionen a partir de Pytorch 1.6 y ONNX 1.7 W/ ONNX Runtime 1.4. La exportación compatible con CAFFE2 ahora requiere ARG adicionales mencionados en el script de exportación (no se necesita en versiones anteriores).

Notas de exportación

  1. Los pesos portados de TF con el "mismo" relleno de convivir activado no se pueden exportar a ONNX a menos que _EXPORTABLE Flag en config.py esté configurado en verdadero. Use config.set_exportable(True) como en el script onnx_export.py .
  2. Los modelos portados de TF con el "mismo" relleno tendrán el relleno fijo en el tiempo de exportación a la resolución utilizada para la exportación. Aunque el relleno dinámico se admite en OPSET> = 11, no puedo hacer que funcione.
  3. La instalación de ONNX Optimize no funciona de manera confiable en Pytorch 1.6 / ONNX 1.7. Afortunadamente, la inferencia basada en Onnxruntime funciona muy bien ahora e incluye en la optimización de la mosca.
  4. ONNX / CAFFE2 Export / Import se rompe con frecuencia con diferentes versiones de la versión Pytorch y ONNX. Consulte sus respectivos rastreadores de problemas antes de presentar los problemas aquí.
Expandir
Información adicional
Aplicaciones relacionadas
Recomendado para ti
Información relacionada Todo