ResNeSt

Resnest

Réseau de tension divisée, une nouvelle variante Resnet. Il augmente considérablement les performances des modèles en aval tels que le masque R-CNN, la cascade R-CNN et DeepLabv3.

Table des matières

0. Modèles pré-entraînés
1. Transférer des modèles d'apprentissage
2. Vérifiez les résultats ImageNet
3. Comment s'entraîner
4. Référence

Installation PYPI / GitHub

0. Installez ce dépôt de package, notez que vous n'avez besoin que de choisir l'une des options

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

# using pypi
pip install resnest --pre

Modèles pré-entraînés

	taille	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

• Les implémentations tierces sont disponibles: Tensorflow, Caffe, Jax.

• Des modèles d'étude d'ablation supplémentaires sont disponibles dans le lien

Modèles pytorch

• Charge à l'aide de moyeu de torche

 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 )

• Chargement à l'aide du package Python

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

Modèles de gluon

• Modèle de charge pré-entraîné:

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

Transférer des modèles d'apprentissage

Detectron2

Nous fournissons un emballage pour la formation des modèles Detectron2 avec une épine dorsale Resnest à D2. Les configurations de formation et les modèles pré-entraînés sont publiés. Voir les détails de D2.

Mmdection

L'épine dorsale du resnest a été adoptée par MMDection.

Segmentation sémantique

• Modèles et formation Pytorch: veuillez visiter la boîte à outils d'encodage de Pytorch.
• Modèles et formation Gluon: veuillez visiter la boîte à outils GluoncV.

Vérifiez les résultats d'imageNet:

Remarque: La vitesse d'inférence rapportée dans le document est testée à l'aide de l'implémentation de Gluon avec des données de disque.

Préparer un ensemble de données ImageNet:

Ici, nous utilisons le format de données d'image bruts pour la simplicité, veuillez suivre le didacticiel Gluoncv si vous souhaitez utiliser le format Recordio.

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

Modèle de torche

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

Modèle de gluon

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

Comment s'entraîner

Modèles ImageNet

• Formation avec Mxnet Gluon: veuillez visiter le dossier Gluon.
• Formation avec Pytorch: veuillez visiter la boîte à outils de codage de Pytorch (légèrement pire que la mise en œuvre du Gluon).

Modèles de détectif

Pour les modèles de détection d'objets et de segmentation des instances, veuillez visiter notre fourche de résidence Detectron2-Resnest.

Segmentation sémantique

• Formation avec Pytorch: Boîte à outils Encoding.
• Formation avec MXNET: boîte à outils GluoncV.

Référence

Resnest: Networks à conservation divisé [ARXIV]

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

Contributeurs majeurs

• Resnest Backbone (Hang Zhang)
• Modèles Detectron (Chongruo WU, Zhongyue Zhang)
• Segmentation sémantique (Yi Zhu)
• Formation distribuée (Haibin Lin)