Awesome Backbones

画像分類のための素晴らしいバックボーン

前に書いてください

• トレーニング効果が良くない場合、最初に行う必要があるのは、学習レートとバッチサイズを調整することです。これは収束に大きく影響します。第二に、画像強化方法（特に小さなデータセット）をオフにすることから始めて、一部の画像強化方法は、ようなデータを汚染する可能性があります。

機能強化を削除する方法は？ EfficientNetv2-B0構成ファイルのtrain_pipelineを次のように変更できる場合

 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'])
]

データセットが形状を事前にネットワークリビアサイズに変更した場合、 Resize操作も削除できます。

ログを更新します

2024.09.06

• 高周波フィードバックの評価中に大規模な浮動結果の問題を修正しました

2023.12.02

• 問題の多くの人々が言及した出力を追加しました。

  • metrics_outputs.csv train_loss, train_acc, train_precision, train_recall, train_f1-score, val_loss, val_acc, val_precision, val_recall, val_f1-score誰もが描くために
  • 端末は、 VAL関連のメトリックの元の出力から列車とVALの出力の両方にアップグレードされました

2023.08.05

• TinyVit （前削減重量の不一致）、 DEIT3 、 Edgenext 、 RevvisionTransformerを追加しました

2023.03.07

• MobileVit 、 Davit 、 Replknet 、 Beit 、 Eva 、 Mixmim 、 EfficientNetv2を追加しました

2022.11.20

• テストセットを検証セットオプションとして使用するかどうかを追加しました。そうでない場合は、検証セットの数を比率でトレーニングセットから分割し、トレーニングセットの特定のフォルダーから検証セットとしてランダムに選択します（k倍率に似ていますが、それをわずかに変更してk折り目の目的を達成できます）。詳細については、トレーニングチュートリアルを参照してください

テスト環境

• Pytorch 1.7.1+
• Python 3.6+

材料

データセット	ビデオチュートリアル	人工知能技術ディスカッショングループ
花卉数据集抽出コード：0ZAT	私をクリックしてジャンプします	グループ1：78174903 グループ3：584723646

迅速に開始します

• ループ環境構造による完全な構成
• MobileNetv3-Small Weightをデータにダウンロードします
• Awesome-Backbonesフォルダーの下の端子入力

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

チュートリアル

• 環境建設
• データセットの準備
• 構成ファイルの説明
• 電車
• モデル評価
• フロップとパラメーションを計算します
• 新しいモデルコンポーネントを追加します
• カテゴリアクティベーショングラフの視覚化
• 学習レート戦略の視覚化
• データ強化ポリシーの視覚化

モデル

• LENET5
• alexnet
• vgg
• デンセン
• resnet
• ワイドレスネット
• snnext
• seresnet
• seresnext
• regnet
• mobileNetv2
• Mobilenetv3
• shufflenetv1
• shufflenetv2
• EfficientNet
• repvgg
• RES2NET
• Convnext
• hrnet
• Convmixer
• cspnet
• Swin-Transformer
• ビジョン変換器
• 変換器の変圧器
• MLP-Mixer
• deit
• コンフォーマー
• T2T-vit
• 双子
• プールフォーマー
• バン
• ホーネット
• EfficientFormer
• Swin Transformer V2
• MVIT V2
• mobilevit
• ダビット
• replknet
• beit
• エヴァ
• mixmim
• EfficientNetv2

トレーニング前のウェイト

名前	重さ	名前	重さ	名前	重さ
LENET5	なし	alexnet	なし	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
snnext	resnext-50 resnext-101 ResNext-152	seresnet	Seresnet-50 Seresnet-101	seresnext	なし
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	EfficientNet	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	Convnext	Convnext-tiny Convnext-Small Convnext-Base 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
スウィントランス	Tiny-224 Small-224 ベース224 大-224 ベース384 大-384	ビジョントランス	VIT_BASE_P16_224 VIT_BASE_P32_224 VIT_LARGE_P16_224 VIT_BASE_P16_384 VIT_BASE_P32_384 VIT_LARGE_P16_384	トランスの変圧器	tnt-small
MLPミキサー	base_p16 large_p16	deit	deit-tiny deit-tiny蒸留 deit-small DEIT-SMALL蒸留 deit-base deit-base蒸留 deit-base 384px deit-base蒸留384px	コンフォーマー	配座異性体p16 配座異性 - small-p32 配座異性 - small-p16 配置ベース-P16
T2T-vit	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	双子	pcpvt-small PCPVTベース PCPVT-Large Svt-Small SVTベース SVT-Large	プールフォーマー	Poolformer-S12 Poolformer-S24 Poolformer-S36 Poolformer-M36 Poolformer-M48
デンセン	densenet121 densenet161 densenet169 densenet201	Visual Attention Network（VAN）	van-tiny van-small ヴァンベース ヴァン・ラージ	ワイドレスネット	WRN-50 WRN-101
ホーネット	ホーネット - タニー ホーネットタイニー-GF ホーネットスマル Hornet-Small-GF ホーネットベース ホーネットベース-GF ホーネット - ラージ Hornet-Large-GF Hornet-Large-GF384	EfficientFormer	EfficientFormer-L1 EfficientFormer-L3 EfficientFormer-L7	Swin Transformer V2	Tiny-256ウィンドウ8 Tiny-256ウィンドウ16 Small-256ウィンドウ8 Small-256ウィンドウ16 ベース256ウィンドウ8 ベース256ウィンドウ16 大-256ウィンドウ16 ラージ384ウィンドウ24
mvitv2	mvitv2-tiny mvitv2-small MVITv2-base MVITV2-LARGE	mobilevit	mobilevit-xxsmall mobilevit-xsmall mobilevit-small	ダビット	Davit-T Davit-S Davit-B
replknet	REPLKNET-31B-224 REPLKNET-31B-384 REPLKNET-31L-384 REPLKNET-XL	beit	beit-base	エヴァ	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	Mixmim-base	EfficientNetv2	EfficientNetv2-B0 EfficientNetv2-B1 EfficientNetv2-B2 EfficientNetv2-B3 EfficientNetv2-S EfficientNetv2-M EfficientNetv2-L EfficientNetv2-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

私が維持している他のプロジェクト

• 画像データが不十分ですか？画像強化ソフトウェアを作成しました
• ワンクリック変換と編集イメージラベルファイルソフトウェアは効率を大幅に向上させる

参照してください

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