Beranda>Terkait pemrograman>ular piton
Unduh

(Generik) Efficientnets untuk Pytorch 

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

Harap gunakan timm sebagai gantinya. Ini mencakup semua definisi model ini (bobot yang kompatibel) dan banyak lagi.

Implementasi 'generik' dari EfficientNet, Mixnet, MobileNetV3, dll. Yang mencakup sebagian besar arsitektur efisien komputasi/parameter yang berasal dari urutan blok MobileNet V1/V2, termasuk yang ditemukan melalui pencarian arsitektur saraf otomatis.

Semua model diimplementasikan oleh kelas GenEfficientNet atau MobileNetV3, dengan definisi arsitektur berbasis string untuk mengonfigurasi tata letak blok (ide dari sini)

Apa yang baru

19 Agustus 2020

  • Tambahkan bobot pytorch terlatih yang terlatih yang dilatih oleh timm (82.1 top-1) yang dilatih dengan waktu (82.1)
  • Tambahkan Pytorch EfficientNet-Lite0 yang Dilatih Pytorch Kontribusi oleh @Hal-314 (75.5 Top-1)
  • Perbarui skrip ekspor / utilitas CAFFE2 untuk bekerja dengan Pytorch / Onnx terbaru
  • Skrip validasi berbasis runtime ONNX ditambahkan
  • aktivasi (kebanyakan) disinkronkan dengan setara timm

5 April 2020

  • Tambahkan beberapa model MobileNet-V2 yang baru terlatih yang dilatih dengan h-param terbaru, rand augment. Mereka membandingkan cukup baik dengan yang efisien-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 Maret 2020

  • Tambahkan Model EfficientNet-Lite dengan bobot porting dari TensorFlow TPU
  • Tambahkan Bobot Besar MobileNet-V3 terlatih Pytorch dengan 75,77% Top-1
  • Perubahan penting (jika pelatihan dari awal) - init berat diubah menjadi lebih cocok dengan tensorflow impl, atur fix_group_fanout=False di initialize_weight_goog untuk perilaku lama

12 Feb 2020

  • Tambahkan bobot Noisystudent yang efisienNet-L2 dan B0-B7 yang diangkut dari TPU Tensorflow
  • Port bobot EfficientNet-B8 (Randaugment) baru dari TF TPU, ini berbeda dari B8 ADVPROP, normalisasi input yang berbeda.
  • Tambahkan bobot Randaugment Pytorch EfficientNet-ES (EdgetPU-Small) dengan 78.1 Top-1. Dilatih oleh Andrew Lavin

22 Jan 2020

  • Perbarui bobot untuk EfficientNet B0, B2, B3 dan Mixnet-XL dengan bobot terlatih terbaru Randaugment. Dilatih dengan (https://github.com/rwightman/pytorch-image-models)
  • Perbaiki kompatibilitas Torchscript untuk Pytorch 1.4, tambahkan dukungan Torchscript untuk MixEdConv2D menggunakan Moduledik
  • Model Uji, Torchscript, Onnx Ekspor dengan Pytorch 1.4 - Tidak Ada Masalah

22 Nov 2019

  • Top-1 baru! Porting resmi TF EfficientNet Advprop (https://arxiv.org/abs/1911.09665) Bobot dan B8 Model Spec. Membuat set model ap baru karena mereka menggunakan preprocessing yang berbeda (Mean Inception/STD) dari bobot Basis Efisiensi/AA/RA yang asli.

15 Nov 2019

  • Porting resmi TF MobileNet-V3 Float32 Besar/Kecil/Minimalis Bobot
  • Modifikasi model MobileNet-V3 dan komponen untuk mendukung beberapa konfigurasi tambahan yang diperlukan untuk perbedaan antara TF MobileNet-V3 dan Mine

30 Okt 2019

  • Banyak model sekarang akan bekerja dengan torch.jit.script, Mixnet menjadi pengecualian terbesar
  • Antarmuka yang Ditingkatkan untuk Mengaktifkan Torchscript atau Mode Kompatibel Ekspor ONNX (via Config)
  • Tambahkan JIT yang dioptimalkan mem-efisien swish/mish autograd.fn Selain autgrad.fn efisien memori
  • Pabrik Aktivasi untuk memilih versi aktivasi terbaik dengan nama atau mengganti satu secara global
  • Tambahkan helper pemuatan pos pemeriksaan pretrain yang menangani input CONV dan perubahan classifier

27 Okt 2019

  • Tambahkan varian CONDCONV EfficientNet porting dari https://github.com/tensorflow/tpu/tree/master/models/officientnet/condconv
  • Tambahkan bobot Randaug untuk TF EfficientNet B5 dan B7 dari https://github.com/tensorflow/tpu/tree/master/models/officientnet
  • Bawa Model MixNet-XL dan Algo Penskalaan Kedalaman dari Basis Kode Model Pytorch-Image saya
  • Beralih aktivasi dan pengumpulan global ke modul
  • Tambahkan desir/mish efisien memori
  • Tambahkan As_Sequential () Metode ke semua model dan izinkan sebagai argumen di FNS Entrypoint
  • Pindahkan MobileNetV3 ke dalam file sendiri karena memiliki kepala yang berbeda
  • Hapus Chamnet, MobileNet V2/V1 Karena mereka kemungkinan tidak akan pernah digunakan di sini

Model

Model yang diimplementasikan meliputi:

  • Efficientnet Noisystudent (B0-B7, L2) (https://arxiv.org/abs/1911.04252)
  • EfficientNet Advprop (B0-B8) (https://arxiv.org/abs/1911.09665)
  • EfficientNet (B0-B8) (https://arxiv.org/abs/1905.11946)
  • EfficientNet-Edgetpu (S, M, L) (https://ai.googleBlog.com/2019/08/efficientnet-edgetpu-creating.html)
  • EfficientNet-CondConV (https://arxiv.org/abs/1904.04971)
  • EfficientNet-lite (https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/lite)
  • Mixnet (https://arxiv.org/abs/1907.09595)
  • Mnasnet B1, A1 (Squeeze-Excite), dan Small (https://arxiv.org/abs/1807.11626)
  • MobileNet-V3 (https://arxiv.org/abs/1905.02244)
  • Fbnet-c (https://arxiv.org/abs/1812.03443)
  • Single-Path Nas (https://arxiv.org/abs/1904.02877)

Saya awalnya mengimplementasikan dan melatih beberapa model ini dengan kode di sini, repositori ini hanya berisi model GenEfiFientNet, validasi, dan kode ekspor ONNX/CAFFE2 yang terkait.

Pretrained

Saya telah berhasil melatih beberapa model untuk akurasi di dekat atau di atas kertas -kertas asal dan IMP resmi. Kode pelatihan saya ada di sini: https://github.com/rwightman/pytorch-image-models

Model Prec@1 (err) Prec@5 (err) Param#(m) Madds (M) Penskalaan gambar Resolusi Tanaman
efisienNet_b3 82.240 (17.760) 96.116 (3.884) 12.23 Tbd bicubic 320 1.0
efisienNet_b3 82.076 (17.924) 96.020 (3.980) 12.23 Tbd bicubic 300 0,904
MIXNET_XL 81.074 (18.926) 95.282 (4.718) 11.90 Tbd bicubic 256 1.0
efisienNet_B2 80.612 (19.388) 95.318 (4.682) 9.1 Tbd bicubic 288 1.0
MIXNET_XL 80.476 (19.524) 94.936 (5.064) 11.90 Tbd bicubic 224 0.875
efisienNet_B2 80.288 (19.712) 95.166 (4.834) 9.1 1003 bicubic 260 0.890
MIXNET_L 78.976 (21.024 94.184 (5.816) 7.33 Tbd bicubic 224 0.875
efisienNet_B1 78.692 (21.308) 94.086 (5.914) 7.8 694 bicubic 240 0.882
efisienNet_es 78.066 (21.934) 93.926 (6.074) 5.44 Tbd bicubic 224 0.875
efisienNet_B0 77.698 (22.302) 93.532 (6.468) 5.3 390 bicubic 224 0.875
MobileNetV2_120D 77.294 (22.706 93.502 (6.498) 5.8 Tbd bicubic 224 0.875
MIXNET_M 77.256 (22.744) 93.418 (6.582) 5.01 353 bicubic 224 0.875
MobileNetV2_140 76.524 (23.476) 92.990 (7.010) 6.1 Tbd bicubic 224 0.875
MIXNET_S 75.988 (24.012) 92.794 (7.206) 4.13 Tbd bicubic 224 0.875
MOBILENETV3_LARGE_100 75.766 (24.234) 92.542 (7.458) 5.5 Tbd bicubic 224 0.875
MOBILENETV3_RW 75.634 (24.366) 92.708 (7.292) 5.5 219 bicubic 224 0.875
efisienNet_lite0 75.472 (24.528) 92.520 (7.480) 4.65 Tbd bicubic 224 0.875
mnasnet_a1 75.448 (24.552) 92.604 (7.396) 3.9 312 bicubic 224 0.875
FBNETC_100 75.124 (24.876) 92.386 (7.614) 5.6 385 bilinear 224 0.875
MobileNetV2_110D 75.052 (24.948) 92.180 (7.820) 4.5 Tbd bicubic 224 0.875
MNASNET_B1 74.658 (25.342) 92.114 (7.886) 4.4 315 bicubic 224 0.875
SPNASNET_100 74.084 (25.916) 91.818 (8.182) 4.4 Tbd bilinear 224 0.875
MobileNetV2_100 72.978 (27.022) 91.016 (8.984) 3.5 Tbd bicubic 224 0.875

Lebih banyak model pretrained yang akan datang ...

Bobot porting

Bobot yang diisi dari pos pemeriksaan TensorFlow untuk model EfficientNet melakukan akurasi yang sangat cocok di TensorFlow setelah setara padding konvolusi yang sama ditambahkan, dan faktor tanaman yang sama, penskalaan gambar, dll (lihat tabel) digunakan melalui arg CMD line.

PENTING:

  • Bobot porting TensorFlow untuk EfficientNet AdvProp (AP), EfficientNet EdgetPU, EfficientNet-CondConV, EfficientNet-Lite, dan model MobileNet-V3 menggunakan gaya awal (0,5, 0,5, 0,5) untuk rata-rata dan StD.
  • Mengaktifkan pipa preprocessing TensorFlow dengan --tf-preprocessing pada waktu validasi akan meningkatkan skor sebesar 0,1-0,5%, sangat dekat dengan TF IMP asli.

Untuk menjalankan validasi untuk tf_efficientnet_b5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --crop-pct 0.934 --interpolation bicubic

Untuk menjalankan validasi w/tf preprocessing untuk tf_eficientnet_b5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --tf-preprocessing

Untuk menjalankan validasi untuk model dengan preprocessing inception, yaitu efisienNet-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

Model Prec@1 (err) Prec@5 (err) Param # Penskalaan gambar Ukuran gambar Tanaman
tf_efficientnet_l2_ns *tfp 88.352 (11.648) 98.652 (1.348) 480 bicubic 800 N/a
tf_efficientnet_l2_ns Tbd Tbd 480 bicubic 800 0.961
tf_efficientnet_l2_ns_475 88.234 (11.766) 98.546 (1.454) 480 bicubic 475 0.936
tf_efficientnet_l2_ns_475 *tfp 88.172 (11.828) 98.566 (1.434) 480 bicubic 475 N/a
tf_efficientnet_b7_ns *tfp 86.844 (13.156) 98.084 (1.916) 66.35 bicubic 600 N/a
tf_efficientnet_b7_ns 86.840 (13.160) 98.094 (1.906) 66.35 bicubic 600 N/a
tf_efficientnet_b6_ns 86.452 (13.548) 97.882 (2.118) 43.04 bicubic 528 N/a
tf_efficientnet_b6_ns *tfp 86.444 (13.556) 97.880 (2.120) 43.04 bicubic 528 N/a
tf_eficientnet_b5_ns *tfp 86.064 (13.936) 97.746 (2.254) 30.39 bicubic 456 N/a
tf_efficientnet_b5_ns 86.088 (13.912) 97.752 (2.248) 30.39 bicubic 456 N/a
tf_efficientnet_b8_ap *tfp 85.436 (14.564) 97.272 (2.728) 87.4 bicubic 672 N/a
tf_efficientnet_b8 *tfp 85.384 (14.616) 97.394 (2.606) 87.4 bicubic 672 N/a
tf_efficientnet_b8 85.370 (14.630) 97.390 (2.610) 87.4 bicubic 672 0.954
tf_eficientnet_b8_ap 85.368 (14.632) 97.294 (2.706) 87.4 bicubic 672 0.954
tf_efficientnet_b4_ns *tfp 85.298 (14.702) 97.504 (2.496) 19.34 bicubic 380 N/a
tf_efficientnet_b4_ns 85.162 (14.838) 97.470 (2.530) 19.34 bicubic 380 0.922
tf_eficientnet_b7_ap *tfp 85.154 (14.846) 97.244 (2.756) 66.35 bicubic 600 N/a
tf_efficientnet_b7_ap 85.118 (14.882) 97.252 (2.748) 66.35 bicubic 600 0.949
tf_efficientnet_b7 *tfp 84.940 (15.060) 97.214 (2.786) 66.35 bicubic 600 N/a
tf_efficientnet_b7 84.932 (15.068) 97.208 (2.792) 66.35 bicubic 600 0.949
tf_eficientnet_b6_ap 84.786 (15.214) 97.138 (2.862) 43.04 bicubic 528 0.942
tf_efficientnet_b6_ap *tfp 84.760 (15.240) 97.124 (2.876) 43.04 bicubic 528 N/a
tf_efficientnet_b5_ap *tfp 84.276 (15.724) 96.932 (3.068) 30.39 bicubic 456 N/a
tf_efficientnet_b5_ap 84.254 (15.746) 96.976 (3.024) 30.39 bicubic 456 0.934
tf_efficientnet_b6 *tfp 84.140 (15.860) 96.852 (3.148) 43.04 bicubic 528 N/a
tf_eficientnet_b6 84.110 (15.890) 96.886 (3.114) 43.04 bicubic 528 0.942
tf_efficientnet_b3_ns *tfp 84.054 (15.946) 96.918 (3.082) 12.23 bicubic 300 N/a
tf_efficientnet_b3_ns 84.048 (15.952) 96.910 (3.090) 12.23 bicubic 300 .904
tf_efficientnet_b5 *tfp 83.822 (16.178) 96.756 (3.244) 30.39 bicubic 456 N/a
tf_eficientnet_b5 83.812 (16.188) 96.748 (3.252) 30.39 bicubic 456 0.934
tf_efficientnet_b4_ap *tfp 83.278 (16.722) 96.376 (3.624) 19.34 bicubic 380 N/a
tf_eficientnet_b4_ap 83.248 (16.752) 96.388 (3.612) 19.34 bicubic 380 0.922
tf_efficientnet_b4 83.022 (16.978) 96.300 (3.700) 19.34 bicubic 380 0.922
tf_efficientnet_b4 *tfp 82.948 (17.052) 96.308 (3.692) 19.34 bicubic 380 N/a
tf_efficientnet_b2_ns *tfp 82.436 (17.564) 96.268 (3.732) 9.11 bicubic 260 N/a
tf_efficientnet_b2_ns 82.380 (17.620) 96.248 (3.752) 9.11 bicubic 260 0.89
tf_efficientnet_b3_ap *tfp 81.882 (18.118) 95.662 (4.338) 12.23 bicubic 300 N/a
tf_efficientnet_b3_ap 81.828 (18.172) 95.624 (4.376) 12.23 bicubic 300 0,904
tf_eficientnet_b3 81.636 (18.364) 95.718 (4.282) 12.23 bicubic 300 0,904
tf_efficientnet_b3 *tfp 81.576 (18.424) 95.662 (4.338) 12.23 bicubic 300 N/a
tf_eficientnet_lite4 81.528 (18.472) 95.668 (4.332) 13.00 bilinear 380 0.92
tf_eficientnet_b1_ns *tfp 81.514 (18.486) 95.776 (4.224) 7.79 bicubic 240 N/a
tf_efficientnet_lite4 *tfp 81.502 (18.498) 95.676 (4.324) 13.00 bilinear 380 N/a
tf_efficientnet_b1_ns 81.388 (18.612) 95.738 (4.262) 7.79 bicubic 240 0.88
tf_efficientnet_el 80.534 (19.466) 95.190 (4.810) 10.59 bicubic 300 0,904
tf_eficientnet_el *tfp 80.476 (19.524) 95.200 (4.800) 10.59 bicubic 300 N/a
tf_efficientnet_b2_ap *tfp 80.420 (19.580) 95.040 (4.960) 9.11 bicubic 260 N/a
tf_eficientnet_b2_ap 80.306 (19.694) 95.028 (4.972) 9.11 bicubic 260 0.890
tf_efficientnet_b2 *tfp 80.188 (19.812) 94.974 (5.026) 9.11 bicubic 260 N/a
tf_eficientnet_b2 80.086 (19.914) 94.908 (5.092) 9.11 bicubic 260 0.890
tf_eficientnet_lite3 79.812 (20.188) 94.914 (5.086) 8.20 bilinear 300 0,904
tf_efficientnet_lite3 *tfp 79.734 (20.266) 94.838 (5.162) 8.20 bilinear 300 N/a
tf_eficientnet_b1_ap *tfp 79.532 (20.468) 94.378 (5.622) 7.79 bicubic 240 N/a
tf_efficientnet_cc_b1_8e *tfp 79.464 (20.536) 94.492 (5.508) 39.7 bicubic 240 0.88
tf_efficientnet_cc_b1_8e 79.298 (20.702) 94.364 (5.636) 39.7 bicubic 240 0.88
tf_efficientnet_b1_ap 79.278 (20.722) 94.308 (5.692) 7.79 bicubic 240 0.88
tf_efficientnet_b1 *tfp 79.172 (20.828) 94.450 (5.550) 7.79 bicubic 240 N/a
tf_efficientnet_em *tfp 78.958 (21.042) 94.458 (5.542) 6.90 bicubic 240 N/a
tf_efficientnet_b0_ns *tfp 78.806 (21.194) 94.496 (5.504) 5.29 bicubic 224 N/a
tf_mixnet_l *tfp 78.846 (21.154) 94.212 (5.788) 7.33 bilinear 224 N/a
tf_eficientnet_b1 78.826 (21.174) 94.198 (5.802) 7.79 bicubic 240 0.88
tf_mixnet_l 78.770 (21.230) 94.004 (5.996) 7.33 bicubic 224 0.875
tf_efficientnet_em 78.742 (21.258) 94.332 (5.668) 6.90 bicubic 240 0.875
tf_eficientnet_b0_ns 78.658 (21.342) 94.376 (5.624) 5.29 bicubic 224 0.875
tf_efficientnet_cc_b0_8e *tfp 78.314 (21.686) 93.790 (6.210) 24.0 bicubic 224 0.875
tf_eficientnet_cc_b0_8e 77.908 (22.092) 93.656 (6.344) 24.0 bicubic 224 0.875
tf_efficientnet_cc_b0_4e *tfp 77.746 (22.254) 93.552 (6.448) 13.3 bicubic 224 0.875
tf_efficientnet_cc_b0_4e 77.304 (22.696) 93.332 (6.668) 13.3 bicubic 224 0.875
tf_efficientnet_es *tfp 77.616 (22.384) 93.750 (6.250) 5.44 bicubic 224 N/a
tf_efficientnet_lite2 *tfp 77.544 (22.456) 93.800 (6.200) 6.09 bilinear 260 N/a
tf_eficientnet_lite2 77.460 (22.540) 93.746 (6.254) 6.09 bicubic 260 0.89
tf_efficientnet_b0_ap *tfp 77.514 (22.486) 93.576 (6.424) 5.29 bicubic 224 N/a
tf_eficientnet_es 77.264 (22.736) 93.600 (6.400) 5.44 bicubic 224 N/a
tf_efficientnet_b0 *tfp 77.258 (22.742) 93.478 (6.522) 5.29 bicubic 224 N/a
tf_eficientnet_b0_ap 77.084 (22.916) 93.254 (6.746) 5.29 bicubic 224 0.875
tf_mixnet_m *tfp 77.072 (22.928) 93.368 (6.632) 5.01 bilinear 224 N/a
tf_mixnet_m 76.950 (23.050) 93.156 (6.844) 5.01 bicubic 224 0.875
tf_eficientnet_b0 76.848 (23.152) 93.228 (6.772) 5.29 bicubic 224 0.875
tf_efficientnet_lite1 *tfp 76.764 (23.236) 93.326 (6.674) 5.42 bilinear 240 N/a
tf_eficientnet_lite1 76.638 (23.362) 93.232 (6.768) 5.42 bicubic 240 0.882
tf_mixnet_s *tfp 75.800 (24.200) 92.788 (7.212) 4.13 bilinear 224 N/a
tf_mobilenetv3_large_100 *tfp 75.768 (24.232) 92.710 (7.290) 5.48 bilinear 224 N/a
tf_mixnet_s 75.648 (24.352) 92.636 (7.364) 4.13 bicubic 224 0.875
tf_mobilenetv3_large_100 75.516 (24.484) 92.600 (7.400) 5.48 bilinear 224 0.875
tf_efficientnet_lite0 *tfp 75.074 (24.926) 92.314 (7.686) 4.65 bilinear 224 N/a
tf_eficientnet_lite0 74.842 (25.158) 92.170 (7.830) 4.65 bicubic 224 0.875
tf_mobilenetv3_large_075 *tfp 73.730 (26.270) 91.616 (8.384) 3.99 bilinear 224 N/a
tf_mobilenetv3_large_075 73.442 (26.558) 91.352 (8.648) 3.99 bilinear 224 0.875
tf_mobilenetv3_large_minimal_100 *tfp 72.678 (27.322) 90.860 (9.140) 3.92 bilinear 224 N/a
tf_mobilenetv3_large_minimal_100 72.244 (27.756) 90.636 (9.364) 3.92 bilinear 224 0.875
tf_mobilenetv3_small_100 *tfp 67.918 (32.082) 87.958 (12.042 2.54 bilinear 224 N/a
tf_mobilenetv3_small_100 67.918 (32.082) 87.662 (12.338) 2.54 bilinear 224 0.875
tf_mobilenetv3_small_075 *tfp 66.142 (33.858) 86.498 (13.502) 2.04 bilinear 224 N/a
tf_mobilenetv3_small_075 65.718 (34.282) 86.136 (13.864) 2.04 bilinear 224 0.875
tf_mobilenetv3_small_minimal_100 *tfp 63.378 (36.622) 84.802 (15.198) 2.04 bilinear 224 N/a
tf_mobilenetv3_small_minimal_100 62.898 (37.102) 84.230 (15.770) 2.04 bilinear 224 0.875

*Model TFP divalidasi dengan pipa tf-preprocessing

Google TF dan TFLITE Bobot porting dari repositori TensorFlow resmi

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

Penggunaan

Lingkungan

Semua pengembangan dan pengujian telah dilakukan dalam lingkungan Conda Python 3 pada sistem Linux X86-64, khususnya Python 3.6.x, 3.7.x, 3.8.x.

Pengguna telah melaporkan bahwa pemasangan Python 3 Anaconda di Windows Works. Saya sendiri belum memverifikasi ini.

Versi PyTorch 1.4, 1.5, 1.6 telah diuji dengan kode ini.

Saya sudah mencoba menjaga dependensi minimal, pengaturannya sesuai dengan instruksi pemasangan pytorch default untuk conda: 

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

Hub Pytorch

Model dapat diakses melalui Pytorch Hub API 

 >>> 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))

Pip

Paket ini dapat diinstal melalui PIP.

Instal (setelah conda env/instal): 

 pip install geffnet

Use Eval: 

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

Penggunaan kereta: 

 >>> 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()

Buat dalam wadah NN.Sequential, untuk fast.ai, dll: 

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

Mengekspor

Skrip disertakan

  • Model Ekspor ke Onnx ( onnx_export.py )
  • Grafik Onnx yang dioptimalkan ( onnx_optimize.py atau onnx_validate.py w/ --onnx-output-opt arg)
  • Validasi dengan Onnx Runtime ( onnx_validate.py )
  • Konversi model onnx ke caffe2 ( onnx_to_caffe.py )
  • Validasi di Caffe2 ( caffe2_validate.py )
  • Benchmark di Caffe2 W/ Flops, Parameter Output ( caffe2_benchmark.py )

Sebagai contoh, untuk mengekspor model pretrained MobileNet-V3 dan kemudian menjalankan validasi Imagenet: 

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

Skrip -skrip ini diuji untuk berfungsi pada Pytorch 1.6 dan ONNX 1.7 w/ Onnx Runtime 1.4. Ekspor yang kompatibel CAFFE2 sekarang membutuhkan arg tambahan yang disebutkan dalam skrip ekspor (tidak diperlukan dalam versi sebelumnya).

Catatan Ekspor

  1. Bobot porting TF dengan padding Conv yang diaktifkan 'yang sama' tidak dapat diekspor ke ONNX kecuali _EXPORTABLE FLAG dalam config.py diatur ke true. Gunakan config.set_exportable(True) seperti pada skrip onnx_export.py .
  2. Model porting TF dengan bantalan 'yang sama' akan memiliki bantalan yang ditetapkan pada waktu ekspor dengan resolusi yang digunakan untuk ekspor. Meskipun padding dinamis didukung di OPSET> = 11, saya tidak bisa membuatnya berfungsi.
  3. ONNX Optimize Facility tidak bekerja dengan andal di Pytorch 1.6 / ONNX 1.7. Untungnya, inferensi berbasis onnxruntime bekerja dengan sangat baik sekarang dan termasuk optimasi lalat.
  4. Onnx / Caffe2 Ekspor / Impor Sering pecah dengan rilis versi Pytorch dan ONNX yang berbeda. Silakan periksa pelacak masalah masing -masing sebelum mengajukan masalah di sini.
Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua