Awesome Backbones

Tulang punggung yang luar biasa untuk klasifikasi gambar

Tulis di depan

• Jika efek pelatihan tidak baik, hal pertama yang perlu Anda lakukan adalah menyesuaikan tingkat pembelajaran dan ukuran batch, yang sangat memengaruhi konvergensi. Kedua, mulai dari mematikan metode peningkatan gambar (terutama dataset kecil), beberapa metode peningkatan gambar dapat mencemari data, seperti

Bagaimana cara menghapus peningkatan? Jika train_pipeline dalam file konfigurasi efisiensiNetv2-b0 dapat diubah ke yang berikut

 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'])
]

Jika dataset Anda telah mengubah bentuk ke ukuran yang diminta jaringan di muka, operasi Resize juga dapat dihapus.

Perbarui log

2024.09.06

• Memperbaiki masalah hasil mengambang besar selama evaluasi umpan balik frekuensi tinggi

2023.12.02

• Menambahkan output yang disebutkan oleh banyak orang dalam masalah , latih ACC dan Val Train

  • metrics_outputs.csv menyimpan train_loss, train_acc, train_precision, train_recall, train_f1-score, val_loss, val_acc, val_precision, val_recall, val_f1-score untuk semua orang dapat menggambar
  • Terminal telah ditingkatkan dari output asli dari metrik yang berhubungan dengan Val untuk output kereta dan val

2023.08.05

• Menambahkan Tinyvit (ketidakcocokan berat pretraining), Deit3 , Edgenext , RevVisionTransformer

2023.03.07

• Menambahkan MobileVit , davit , Replknet , Beit , Eva , MixMim , EfficientNetV2

2022.11.20

• Menambahkan apakah akan menggunakan set tes sebagai opsi set verifikasi. Jika tidak, bagilah jumlah set verifikasi dari pelatihan yang ditetapkan berdasarkan rasio, dan pilih secara acak dari folder tertentu dari set pelatihan sebagai set verifikasi (mirip dengan K-fold tetapi tidak, Anda dapat mengubahnya sedikit untuk mencapai tujuan k-fold). Lihat tutorial pelatihan untuk detailnya

Lingkungan Uji

• Pytorch 1.7.1+
• Python 3.6+

bahan

Dataset	Tutorial video	Grup Diskusi Teknologi Kecerdasan Buatan
Kode Ekstraksi花卉数据集: 0zat	Klik saya untuk melompat	Kelompok 1: 78174903 Kelompok 3: 584723646

Mulailah dengan cepat

• Konfigurasi lengkap dengan konstruksi lingkungan loop
• Unduh berat mobileNetv3-small ke data
• Input Terminal Di Bawah Folder Awesome-Backbones

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

Tutorial

• Konstruksi Lingkungan
• Persiapan dataset
• Penjelasan File Konfigurasi
• kereta
• Evaluasi model
• Hitung FLOPS & PARAMS
• Tambahkan komponen model baru
• Visualisasi Grafik Aktivasi Kategori
• Visualisasi strategi tingkat pembelajaran
• Visualisasi Kebijakan Peningkatan Data

Model

• Lenet5
• Alexnet
• VGG
• Densenet
• Resnet
• RESNET LUAR BIASA
• Resnext
• Seresnet
• SeresNext
• Regnet
• MobileNetv2
• MobileNetv3
• Shufflenetv1
• Shufflenetv2
• EfisienNet
• Repvgg
• Res2net
• ConvNext
• Hrnet
• Convmixer
• Cspnet
• Swin-Transformer
• Visi-transformer
• Transformer-in-Transformer
• MLP-Mixer
• Deit
• Konformer
• T2t-vit
• Saudara kembar
• Poolformer
• Van
• Pikat
• Lembaga yang efisien
• Swin Transformer v2
• Mvit v2
• MobileVit
• Davit
• REPLKNET
• Beit
• Eva
• Mixmim
• EfisienNetv2

Bobot pra-pelatihan

nama	Berat	nama	Berat	nama	Berat
Lenet5	Tidak ada	Alexnet	Tidak ada	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	Tidak ada
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-Large
Shufflenetv1	Shufflenetv1	Shufflenetv2	Shufflenetv2	EfisienNet	EfisienNet-B0 Efisiensinet-B1 Efisiensinet-B2 EfisiensiNet-b3 EfisienNet-B4 EfisienNet-B5 EfisienNet-B6 EfisienNet-B7 EfisienNet-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	ConvNext	ConvNext-Tiny ConvNext-Small Basis konvnext 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
Swin Transformer	Tiny-224 Kecil-224 Base-224 -224 besar Base-384 Besar-384	Transformator Visi	VIT_BASE_P16_224 VIT_BASE_P32_224 vit_large_p16_224 VIT_BASE_P16_384 VIT_BASE_P32_384 vit_large_p16_384	Transformator dalam transformator	TNT-Small
Mixer MLP	base_p16 large_p16	Deit	Deit-kecil Deit-kecil disuling Deit-small Deit-Small Distilled Deit-base Deit-base disuling DEIT-BASE 384PX DEIT-BASE Distilled 384px	Konformer	Conformer-Tiny-P16 Conformer-Small-p32 Conformer-Small-P16 Konformer-base-p16
T2t-vit	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	Saudara kembar	PCPVT-SMALL Basis pcpvt PCPVT-Large Svt-small SVT-BASE SVT-Large	Poolformer	Poolformer-S12 Poolformer-S24 Poolformer-S36 Poolformer-M36 Poolformer-M48
Densenet	Densenet121 Densenet161 Densenet169 Densenet201	Jaringan Perhatian Visual (Van)	Van-Tiny Van-Small Van-base Van-Large	RESNET LUAR BIASA	WRN-50 WRN-101
Pikat	Hornet kecil Hornet-Tiny-GF Hornet-Small Hornet-Small-GF Basis hornet Hornet-Base-GF Hornet-Large Hornet-Large-GF Hornet-Large-GF384	Lembaga yang efisien	EfisienFormer-L1 EfisienFormer-L3 EfisienFormer-L7	Swin Transformer v2	Jendela kecil-256 8 Jendela kecil-256 16 Jendela kecil-256 8 Jendela kecil-256 16 BASE-256 Jendela 8 BASE-256 Jendela 16 Jendela 256 besar 16 Jendela besar-384 24
Mvitv2	MVITV2-Tiny Mvitv2-small Mvitv2-base MVITV2-Large	MobileVit	MOBILEVIT-XXSMALL MOBILEVIT-XSMALL MobileVit-Small	Davit	Davit-t Davit-s Davit-b
REPLKNET	REPLKNET-31B-224 REPLKNET-31B-384 REPLKNET-31L-384 REPLKNET-XL	Beit	Basis 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
Mixmim	basis mixmim	EfisienNetv2	EfisiensiNetv2-b0 EfisiensiNetv2-b1 EfisiensiNetv2-b2 EfisiensiNetv2-b3 Efisiensinetv2-s EfisiensiNetv2-m EfisienNetv2-l EfisienNetv2-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	edgeext-base edgeext-small edgeext-x-small edgeext-xx-small	RevVisionTransformer	revvit-small RevVit-base

Proyek lain yang saya pertahankan

• Data gambar yang tidak mencukupi? Saya membuat perangkat lunak peningkatan gambar
• Konversi satu klik dan pengeditan perangkat lunak file pelabelan gambar sangat meningkatkan efisiensi

merujuk ke

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