ResNeSt

Resnest

Jaringan split-attention, varian resnet baru. Ini secara signifikan meningkatkan kinerja model hilir seperti topeng R-CNN, Cascade R-CNN dan DEEPLABV3.

Daftar isi

0. Model pretrained
1. Model Pembelajaran Transfer
2. Verifikasi hasil Imagenet
3. Cara berlatih
4. Referensi

Pemasangan pypi / github

0. Instal paket ini repo, perhatikan bahwa Anda hanya perlu memilih salah satu opsi

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

# using pypi
pip install resnest --pre

Model pretrained

	Ukuran tanaman	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

• Implementasi pihak ke -3 tersedia: TensorFlow, Caffe, Jax.

• Model studi ablasi tambahan tersedia di tautan

Model Pytorch

• Muat Menggunakan Torch Hub

 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 )

• Muat Menggunakan Paket Python

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

Model Gluon

• Model Pretrained Load:

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

Model Pembelajaran Transfer

Detectron2

Kami menyediakan pembungkus untuk pelatihan model Detectron2 dengan tulang punggung resnest di D2. Konfigurasi pelatihan dan model pretrain dirilis. Lihat detail di D2.

Mmdetection

Tulang punggung resnest telah diadopsi oleh MMDetection.

Segmentasi semantik

• Model dan Pelatihan Pytorch: Silakan kunjungi pytorch encoding toolkit.
• Model dan Pelatihan Gluon: Silakan kunjungi Gluoncv Toolkit.

Verifikasi Hasil Imagenet:

Catatan: Kecepatan inferensi yang dilaporkan dalam makalah diuji menggunakan implementasi Gluon dengan data Recordio.

Siapkan Dataset Imagenet:

Di sini kami menggunakan format data gambar mentah untuk kesederhanaan, silakan ikuti tutorial Gluoncv jika Anda ingin menggunakan format Recordio.

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

Model obor

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

Model Gluon

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

Cara berlatih

Model Imagenet

• Pelatihan dengan MXNet Gluon: Silakan kunjungi folder Gluon.
• Pelatihan dengan Pytorch: Silakan kunjungi pytorch encoding toolkit (sedikit lebih buruk dari implementasi Gluon).

Model detectron

Untuk deteksi objek dan model segmentasi instan, silakan kunjungi detectron2-resnest fork kami.

Segmentasi semantik

• Pelatihan dengan Pytorch: Encoding Toolkit.
• Pelatihan dengan MXNET: Gluoncv Toolkit.

Referensi

Resnest: jaringan split-attention [arxiv]

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

Kontributor utama

• Backbone resnest (hang zhang)
• Detectron Model (Chongruo Wu, Zhongyue Zhang)
• Segmentasi Semantik (Yi Zhu)
• Pelatihan Terdistribusi (Haibin Lin)