Awesome Backbones

Écoute impressionnante pour la classification d'images

Écrire devant

• Si l'effet de formation n'est pas bon, la première chose que vous devez faire est d'ajuster le taux d'apprentissage et la taille du lot, ce qui affecte considérablement la convergence. Deuxièmement, en commençant par désactiver les méthodes d'amélioration de l'image (en particulier les petits ensembles de données), certaines méthodes d'amélioration de l'image peuvent contaminer des données, telles que

Comment supprimer les améliorations? Si Train_Pipeline dans le fichier de configuration EfficientNETV2-B0 peut être modifié en ce qui suit

 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 votre ensemble de données a changé de forme à la taille requise du réseau à l'avance, l'opération Resize peut également être supprimée.

Mettre à jour le journal

2024.09.06

• Correction du problème des grands résultats flottants lors de l'évaluation des commentaires à haute fréquence

2023.12.02

• Ajout des sorties mentionnées par de nombreuses personnes en cause , Train ACC et Val Loss

  • metrics_outputs.csv enregistre train_loss, train_acc, train_precision, train_recall, train_f1-score, val_loss, val_acc, val_precision, val_recall, val_f1-score pour tout le monde à dessiner
  • Le terminal a été amélioré de la sortie d'origine des mesures liées à Val à la sortie du train et du Val

2023.08.05

• Ajout de Tinyvit (incompatibilité de poids de pré-formation), Deit3 , EdgeNext , RevVisionTransformateur

2023.03.07

• Ajout de Mobilevit , Davit , Replknet , Beit , Eva , MixMim , EfficientNetV2

2022.11.20

• Ajout de l'opportunité d'utiliser l'ensemble de test comme option de définition de vérification. Sinon, divisez le nombre d'ensembles de vérification de l'ensemble de formation par rapport et sélectionnez-le au hasard dans un certain dossier de l'ensemble de formation comme ensemble de vérification (similaire à K-Fold mais pas, vous pouvez le modifier légèrement pour atteindre le but de K-Fold). Voir le tutoriel de formation pour plus de détails

Environnement d'essai

• Pytorch 1.7.1+
• Python 3.6+

matériel

Ensemble de données	Tutoriel vidéo	Groupe de discussion sur la technologie de l'intelligence artificielle
Code d'extraction花卉数据集: 0zat	Cliquez sur moi pour sauter	Groupe 1: 78174903 Groupe 3: 584723646

Commencer rapidement

• Configuration complète par la construction d'environnement de boucle
• Téléchargez le poids mobileNetv3-Small sur les données
• Entrée du terminal dans le dossier Awesome Backbones

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

Tutoriel

• Construction de l'environnement
• Préparation de l'ensemble de données
• Explication du fichier de configuration
• former
• Évaluation du modèle
• Calculer les flops et les paramètres
• Ajouter de nouveaux composants de modèle
• Visualisation du graphique d'activation de la catégorie
• Visualisation de la stratégie du taux d'apprentissage
• Visualisation de la politique d'amélioration des données

Modèle

• Lenet5
• Alexnet
• Vgg
• Denset
• Resnet
• Recommandable
• Resnext
• Seresnet
• Seresnext
• Regnet
• Mobilenetv2
• Mobilenetv3
• Shufflenetv1
• Shufflenetv2
• Efficace
• Repvgg
• Res2net
• Convoiter
• HRNET
• Convalier
• Cspnet
• Transformateur de Swin
• Transformateur de vision
• Transformateur
• MLP-Mixer
• Diable
• Conformateur
• T2T-VIT
• Jumeaux
• Formidable
• VAN
• Frelon
• Efficace efficace
• Swin Transformer V2
• MVIT V2
• Mobilevit
• Bossoir
• replat
• Beit
• Eva
• Mixme
• Efficacetv2

Poids pré-formation

nom	Poids	nom	Poids	nom	Poids
Lenet5	Aucun	Alexnet	Aucun	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	Seresnext	Aucun
Regnet	Regnex-400mf Regnex-800mf Regnex-1.6gf Regnetx-3.2gf Regnex-4.0gf Regnex-6.4gf Regnex-8.0gf Regnex-12gf	Mobilenetv2	Mobilenetv2	Mobilenetv3	Mobilenetv3-Small Mobilenetv3-grand
Shufflenetv1	Shufflenetv1	Shufflenetv2	Shufflenetv2	Efficace	EfficientNet-B0 EfficientNet-B1 EfficientNet-B2 EfficientNet-B3 EfficientNet-B4 EfficientNet-B5 EfficientNet-B6 EfficientNet-B7 EfficientNet-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	Convoiter	Convainxt-tiny Convainx Bas-base Convainx Convnext-xlarge
HRNET	HRNET-W18 HRNET-W30 Hrnet-w32 Hrnet-w40 Hrnet-w44 HRNET-W48 HRNET-W64	Convalier	Convmixer-768/32 Convmixer-1024/20 Convmixer-1536/20	Cspnet	Cspdarknet50 Cspresnet50 Cspresnext50
Transformateur Swin	Tiny-224 petit-224 base-224 grand-224 base-384 grand-384	Transformateur de vision	vit_base_p16_224 vit_base_p32_224 VIT_LARGE_P16_224 vit_base_p16_384 vit_base_p32_384 VIT_LARGE_P16_384	Transformateur dans le transformateur	Tnt-petit
Mélangeur MLP	base_p16 grand_p16	Diable	Deit-Tiny Deit-Tiny Distillé Let-petit Deit-Small Distillé Base de la base Deit-base distillée Deit-base 384px Deit-base distillée 384px	Conformateur	Conformer-tiny-p16 Conformère-small-p32 Conformer-small-p16 Conformer-bas-base-p16
T2T-VIT	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	Jumeaux	PCPVT-Small Bascule PCPVT PCPVT-GARD SVT-Small Base de la SVT Grand SVT	Formidable	PoolFormer-S12 PoolFormer-S24 PoolFormer-S36 PoolFormer-M36 PoolFormer-M48
Denset	Densenet121 Densenet161 Densenet169 Densenet201	Réseau d'attention visuelle (Van)	Van-tiny Van Camionnette Fourgon	Recommandable	WRN-50 WRN-101
Frelon	Hornet-Tiny Hornet-Tiny-GF Hornet-Small Hornet-Small-GF Hornet-base Hornet-Base-GF Cornet Hornet-Gf Hornet-Gf384	Efficace efficace	EfficientFormer-L1 EfficientFormer-L3 EfficientFormer-L7	Swin Transformer V2	Tiny-256 Fenêtre 8 Fenêtre Tiny-256 16 Small-256 Fenêtre 8 Small-256 Fenêtre 16 Base-256 Fenêtre 8 Base-256 Fenêtre 16 grande fenêtre-256 16 grande fenêtre de 384 24
Mvitv2	MVitv2-Tiny Mvitv2-petit Base mvitv2 Mvitv2-grand	Mobilevit	Mobilevit-xxsmall Mobilevit-xsmall Mobilevit-small	Bossoir	Davit-t Dapogue Dapater-b
Replat	Replackt-31b-224 Replackt-31b-384 Replackt-31l-384 Replackt-xl	Beit	Bas-base	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
Mixme	MixMim-Base	Efficacetv2	Efficacetv2-b0 Efficacetv2-b1 Efficacetv2-b2 Efficacetv2-b3 Efficacetv2-s Efficacetv2-m Efficacetv2-l Efficacetv2-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 EdgeExt EdgeExt-Small EdgeExt-x-Small EdgeExt-xx-Small	RevVisionTransformateur	revvit-small bas-base

Autres projets que je maintiens

• Des données d'image insuffisantes? J'ai fait un logiciel d'amélioration d'image
• Conversion en un clic et modification des fichiers d'étiquetage d'images Améliore considérablement l'efficacité

se référer à

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