ホーム>プログラミング関連>パイソン
ダウンロード

（ジェネリック）Pytorchの効率的なネット

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

代わりにtimmを使用してください。これらのすべてのモデル定義（互換性のある重み）などが含まれます。

自動化されたニューラルアーキテクチャ検索を介して見つかったものを含む、MobileNet V1/V2ブロックシーケンスから派生した計算/パラメーター効率的なアーキテクチャのほとんどをカバーする、EfficientNet、Mixnet、MobileNetv3などの「一般的な」実装。

すべてのモデルは、Blockレイアウトを構成するための文字列ベースのアーキテクチャ定義を備えたgeneffienceNetまたはMobileNETV3クラスによって実装されています（ここからのアイデア）

新着情報

2020年8月19日

  • 更新されたPytorchトレーニングされたEfficientNet-B3ウェイトをtimm （82.1 Top-1）で自分で訓練した追加
  • @HAL-314（75.5 TOP-1）が寄稿したPytorch Trained EfficientNet-Lite0を追加
  • onnxおよびcaffe2エクスポート /ユーティリティスクリプトを更新して、最新のpytorch / onnxで動作します
  • ONNXランタイムベースの検証スクリプトが追加されました
  • （ほとんど）活性化がtimm相当と同期しました

2020年4月5日

  • 最新のH-ParamsであるRand Augmentで訓練された新しく訓練されたMobileNet-V2モデルを追加します。それらは、EfficientNet-Liteと非常に好意的に比較されます
    • 3.5m param mobilenet-v2 100 @ 73％
    • 4.5m param mobilenet-v2110d @ 75％
    • 6.1M PARAM MOBILENET-V2 140 @ 76.5％
    • 5.8m param mobilenet-v2120d @ 77.3％

2020年3月23日

  • Tensorflow TPUから移植されたWeightsを備えたEfficientNet-Liteモデルを追加します
  • PytorchトレーニングされたMobileNet-V3の大きな重量を75.77％TOP-1に追加します
  • 重要な変化（ゼロからのトレーニングの場合） - 重量initがより良くマッチするように変更されfix_group_fanout=False initialize_weight_goog 。

2020年2月12日

  • Tensorflow TPUから移植されたEfficientNet-L2およびB0-B7ノイズシュートデントウェイトを追加
  • Port New EfficientNet-B8（Randaugment）TF TPUからの重み、これらはB8 AdvProp、異なる入力正規化とは異なります。
  • Randaugment Pytorch Trained EfficientNet-ES（EdgetPu-Small）の重量を78.1トップ1で追加します。アンドリュー・ラビンによって訓練されました

2020年1月22日

  • EfficientNet B0、B2、B3、およびMixNet-XLの最新のランダウグトレーニングウェイトのウェイトを更新します。 （https://github.com/rwightman/pytorch-image-models）
  • pytorch 1.4のトーチスクリプト互換性を修正し、moduledictを使用してmixedconv2dのトーチスクリプトサポートを追加します
  • テストモデル、Torchscript、Pytorch 1.4を使用したONNXエクスポート - 問題なし

2019年11月22日

  • 新しいトップ1ハイ！移植された公式TF EfficientNet AdvProp（https://arxiv.org/abs/1911.09665）WeightsおよびB8 Model Spec。元のEfficientNet Base/AA/RAウェイトから異なる前処理（インセプション平均/STD）を使用するため、新しいapモデルの新しいセットを作成しました。

2019年11月15日

  • 移植された公式TF MobileNet-V3 Float32大/小/最小限の重み
  • MobileNet-V3モデルとコンポーネントへの変更TF MobileNet-V3とMINEの違いに必要な追加の構成をサポートする

2019年10月30日

  • モデルの多くはTorch.jit.scriptで動作し、Mixnetが最大の例外です
  • TorchscriptまたはONNXエクスポート互換モードを有効にするための改善されたインターフェイス（config経由）
  • メモリ効率の高いAutgrad.fnに加えて、JIT最適化されたMem-Effish Swish/Mish Autograd.fnを追加
  • アクティベーションファクトリー名でアクティベーションのベストバージョンを選択するか、グローバルに1つをオーバーライドする
  • 入力コンビングと分類器の変更を処理する事前に処理されたチェックポイントロードヘルパーを追加する

2019年10月27日

  • https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/condconvから移植されたcondconv efficientnetバリエーションを追加します
  • https://github.com/tensorflow/tpu/tree/master/models/official/efficientnetからTF EfficientNet B5およびB7のRandaug Weightsを追加
  • Pytorch-Image-ModelsコードベースからMixnet-XLモデルと深さスケーリングアルゴ
  • アクティベーションとグローバルプーリングをモジュールに切り替えます
  • メモリ効率の高いSwish/Mish Implを追加します
  • すべてのモデルにas_sequential（）メソッドを追加し、エントリポイントfnsの引数として許可する
  • MobileNetv3を自分のファイルに移動します。
  • Chamnet、MobileNet V2/V1を削除すると、ここでは使用されない可能性が高いため

モデル

実装されたモデルは次のとおりです。

  • 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）、およびsmall（https://arxiv.org/abs/1807.11626）
  • Mobilenet-v3（https://arxiv.org/abs/1905.02244）
  • FBNET-C（https://arxiv.org/abs/1812.03443）
  • シングルパスNAS（https://arxiv.org/abs/1904.02877）

私はもともとここでこれらのモデルをコードでいくつか実装およびトレーニングしました。このリポジトリには、GeneficientNetモデル、検証、および関連するONNX/Caffe2エクスポートコードのみが含まれています。

前処理

私は、いくつかのモデルを、発生する論文や公式のemplに近い精度に合わせてトレーニングすることができました。私のトレーニングコードはこちら：https：//github.com/rwightman/pytorch-image-modelsです

モデルPREC@1（err） PREC@5（err） PARAM＃（m） madds（m）画像スケーリング解決作物
EfficientNet_B3 82.240（17.760） 96.116（3.884） 12.23 TBD二頭筋320 1.0
EfficientNet_B3 82.076（17.924） 96.020（3.980） 12.23 TBD二頭筋300 0.904
mixnet_xl 81.074（18.926） 95.282（4.718） 11.90 TBD二頭筋256 1.0
EfficientNet_B2 80.612（19.388） 95.318（4.682） 9.1 TBD二頭筋288 1.0
mixnet_xl 80.476（19.524） 94.936（5.064） 11.90 TBD二頭筋224 0.875
EfficientNet_B2 80.288（19.712） 95.166（4.834） 9.1 1003二頭筋260 0.890
mixnet_l 78.976（21.024 94.184（5.816） 7.33 TBD二頭筋224 0.875
EfficientNet_b1 78.692（21.308） 94.086（5.914） 7.8 694二頭筋240 0.882
EfficientNet_es 78.066（21.934） 93.926（6.074） 5.44 TBD二頭筋224 0.875
EfficientNet_b0 77.698（22.302） 93.532（6.468） 5.3 390二頭筋224 0.875
mobilenetv2_120d 77.294（22.706 93.502（6.498） 5.8 TBD二頭筋224 0.875
mixnet_m 77.256（22.744） 93.418（6.582） 5.01 353二頭筋224 0.875
mobilenetv2_140 76.524（23.476） 92.990（7.010） 6.1 TBD二頭筋224 0.875
mixnet_s 75.988（24.012） 92.794（7.206） 4.13 TBD二頭筋224 0.875
mobilenetv3_large_100 75.766（24.234） 92.542（7.458） 5.5 TBD二頭筋224 0.875
mobilenetv3_rw 75.634（24.366） 92.708（7.292） 5.5 219二頭筋224 0.875
EfficientNet_lite0 75.472（24.528） 92.520（7.480） 4.65 TBD二頭筋224 0.875
mnasnet_a1 75.448（24.552） 92.604（7.396） 3.9 312二頭筋224 0.875
FBNETC_100 75.124（24.876） 92.386（7.614） 5.6 385二重線224 0.875
mobilenetv2_110d 75.052（24.948） 92.180（7.820） 4.5 TBD二頭筋224 0.875
mnasnet_b1 74.658（25.342） 92.114（7.886） 4.4 315二頭筋224 0.875
SPNASNET_100 74.084（25.916） 91.818（8.182） 4.4 TBD二重線224 0.875
mobilenetv2_100 72.978（27.022） 91.016（8.984） 3.5 TBD二頭筋224 0.875

来るべき事前に除外されたモデル...

移植されたウェイト

EfficientNetモデルのTensorflowチェックポイントから移植された重みは、同じ畳み込みパディングに相当するものが追加されると、Tensorflowの精度をほぼ一致させます。

重要：

  • Tensorflowは、EfficientNet Advprop（AP）、EfficientNet EdgetPu、EfficientNet-CondConv、EfficientNet-Lite、およびMobileNet-V3モデルの重量を移植しました。
  • 検証時間で--tf-preprocessingを使用してTensorflowの前処理パイプラインを有効にすると、スコアが0.1〜0.5％改善され、元のTF Implに非常に近い。

tf_eficientnet_b5の検証を実行するには： python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --crop-pct 0.934 --interpolation bicubic

TF_EFFICIENTNET_B5の前処理w/tfで検証を実行するには： python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --tf-preprocessing

インセプション前処理を伴うモデルの検証を実行するには、IE EfficientNet-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

モデルPREC@1（err） PREC@5（err） param＃画像スケーリング画像サイズ作物
TF_EFFICIENTNET_L2_NS *TFP 88.352（11.648） 98.652（1.348） 480二頭筋800 n/a
TF_EFFICIENTNET_L2_NS TBD TBD 480二頭筋800 0.961
TF_EFFICIENTNET_L2_NS_475 88.234（11.766） 98.546（1.454） 480二頭筋475 0.936
TF_EFFICIENTNET_L2_NS_475 *TFP 88.172（11.828） 98.566（1.434） 480二頭筋475 n/a
TF_EFFICIENTNET_B7_NS *TFP 86.844（13.156） 98.084（1.916） 66.35二頭筋600 n/a
TF_EFFICIENTNET_B7_NS 86.840（13.160） 98.094（1.906） 66.35二頭筋600 n/a
TF_EFFICIENTNET_B6_NS 86.452（13.548） 97.882（2.118） 43.04二頭筋528 n/a
TF_EFFICIENTNET_B6_NS *TFP 86.444（13.556） 97.880（2.120） 43.04二頭筋528 n/a
TF_EFFICIENTNET_B5_NS *TFP 86.064（13.936） 97.746（2.254） 30.39二頭筋456 n/a
TF_EFFICIENTNET_B5_NS 86.088（13.912） 97.752（2.248） 30.39二頭筋456 n/a
TF_EFFICIENTNET_B8_AP *TFP 85.436（14.564） 97.272（2.728） 87.4二頭筋672 n/a
TF_EFFICIENTNET_B8 *TFP 85.384（14.616） 97.394（2.606） 87.4二頭筋672 n/a
TF_EFFICIENTNET_B8 85.370（14.630） 97.390（2.610） 87.4二頭筋672 0.954
TF_EFFICIENTNET_B8_AP 85.368（14.632） 97.294（2.706） 87.4二頭筋672 0.954
TF_EFFICIENTNET_B4_NS *TFP 85.298（14.702） 97.504（2.496） 19.34二頭筋380 n/a
TF_EFFICIENTNET_B4_NS 85.162（14.838） 97.470（2.530） 19.34二頭筋380 0.922
TF_EFFICIENTNET_B7_AP *TFP 85.154（14.846） 97.244（2.756） 66.35二頭筋600 n/a
TF_EFFICIENTNET_B7_AP 85.118（14.882） 97.252（2.748） 66.35二頭筋600 0.949
TF_EFFICIENTNET_B7 *TFP 84.940（15.060） 97.214（2.786） 66.35二頭筋600 n/a
TF_EFFICIENTNET_B7 84.932（15.068） 97.208（2.792） 66.35二頭筋600 0.949
TF_EFFICIENTNET_B6_AP 84.786（15.214） 97.138（2.862） 43.04二頭筋528 0.942
TF_EFFICIENTNET_B6_AP *TFP 84.760（15.240） 97.124（2.876） 43.04二頭筋528 n/a
TF_EFFICIENTNET_B5_AP *TFP 84.276（15.724） 96.932（3.068） 30.39二頭筋456 n/a
TF_EFFICIENTNET_B5_AP 84.254（15.746） 96.976（3.024） 30.39二頭筋456 0.934
TF_EFFICIENTNET_B6 *TFP 84.140（15.860） 96.852（3.148） 43.04二頭筋528 n/a
TF_EFFICIENTNET_B6 84.110（15.890） 96.886（3.114） 43.04二頭筋528 0.942
TF_EFFICIENTNET_B3_NS *TFP 84.054（15.946） 96.918（3.082） 12.23二頭筋300 n/a
TF_EFFICIENTNET_B3_NS 84.048（15.952） 96.910（3.090） 12.23二頭筋300 .904
TF_EFFICIENTNET_B5 *TFP 83.822（16.178） 96.756（3.244） 30.39二頭筋456 n/a
TF_EFFICIENTNET_B5 83.812（16.188） 96.748（3.252） 30.39二頭筋456 0.934
TF_EFFICIENTNET_B4_AP *TFP 83.278（16.722） 96.376（3.624） 19.34二頭筋380 n/a
TF_EFFICIENTNET_B4_AP 83.248（16.752） 96.388（3.612） 19.34二頭筋380 0.922
TF_EFFICIENTNET_B4 83.022（16.978） 96.300（3.700） 19.34二頭筋380 0.922
TF_EFFICIENTNET_B4 *TFP 82.948（17.052） 96.308（3.692） 19.34二頭筋380 n/a
TF_EFFICIENTNET_B2_NS *TFP 82.436（17.564） 96.268（3.732） 9.11二頭筋260 n/a
TF_EFFICIENTNET_B2_NS 82.380（17.620） 96.248（3.752） 9.11二頭筋260 0.89
TF_EFFICIENTNET_B3_AP *TFP 81.882（18.118） 95.662（4.338） 12.23二頭筋300 n/a
TF_EFFICIENTNET_B3_AP 81.828（18.172） 95.624（4.376） 12.23二頭筋300 0.904
TF_EFFICIENTNET_B3 81.636（18.364） 95.718（4.282） 12.23二頭筋300 0.904
TF_EFFICIENTNET_B3 *TFP 81.576（18.424） 95.662（4.338） 12.23二頭筋300 n/a
TF_EFFICIENTNET_LITE4 81.528（18.472） 95.668（4.332） 13.00二重線380 0.92
TF_EFFICIENTNET_B1_NS *TFP 81.514（18.486） 95.776（4.224） 7.79二頭筋240 n/a
TF_EFFICIENTNET_LITE4 *TFP 81.502（18.498） 95.676（4.324） 13.00二重線380 n/a
TF_EFFICIENTNET_B1_NS 81.388（18.612） 95.738（4.262） 7.79二頭筋240 0.88
TF_EFFICIENTNET_EL 80.534（19.466） 95.190（4.810） 10.59二頭筋300 0.904
TF_EFFICIENTNET_EL *TFP 80.476（19.524） 95.200（4.800） 10.59二頭筋300 n/a
TF_EFFICIENTNET_B2_AP *TFP 80.420（19.580） 95.040（4.960） 9.11二頭筋260 n/a
TF_EFFICIENTNET_B2_AP 80.306（19.694） 95.028（4.972） 9.11二頭筋260 0.890
TF_EFFICIENTNET_B2 *TFP 80.188（19.812） 94.974（5.026） 9.11二頭筋260 n/a
TF_EFFICIENTNET_B2 80.086（19.914） 94.908（5.092） 9.11二頭筋260 0.890
TF_EFFICIENTNET_LITE3 79.812（20.188） 94.914（5.086） 8.20二重線300 0.904
TF_EFFICIENTNET_LITE3 *TFP 79.734（20.266） 94.838（5.162） 8.20二重線300 n/a
TF_EFFICIENTNET_B1_AP *TFP 79.532（20.468） 94.378（5.622） 7.79二頭筋240 n/a
TF_EFFICIENTNET_CC_B1_8E *TFP 79.464（20.536） 94.492（5.508） 39.7二頭筋240 0.88
TF_EFFICIENTNET_CC_B1_8E 79.298（20.702） 94.364（5.636） 39.7二頭筋240 0.88
TF_EFFICIENTNET_B1_AP 79.278（20.722） 94.308（5.692） 7.79二頭筋240 0.88
TF_EFFICIENTNET_B1 *TFP 79.172（20.828） 94.450（5.550） 7.79二頭筋240 n/a
TF_EFFICIENTNET_EM *TFP 78.958（21.042） 94.458（5.542） 6.90二頭筋240 n/a
TF_EFFICIENTNET_B0_NS *TFP 78.806（21.194） 94.496（5.504） 5.29二頭筋224 n/a
tf_mixnet_l *tfp 78.846（21.154） 94.212（5.788） 7.33二重線224 n/a
TF_EFFICIENTNET_B1 78.826（21.174） 94.198（5.802） 7.79二頭筋240 0.88
tf_mixnet_l 78.770（21.230） 94.004（5.996） 7.33二頭筋224 0.875
TF_EFFICIENTNET_EM 78.742（21.258） 94.332（5.668） 6.90二頭筋240 0.875
TF_EFFICIENTNET_B0_NS 78.658（21.342） 94.376（5.624） 5.29二頭筋224 0.875
TF_EFFICIENTNET_CC_B0_8E *TFP 78.314（21.686） 93.790（6.210） 24.0二頭筋224 0.875
TF_EFFICIENTNET_CC_B0_8E 77.908（22.092） 93.656（6.344） 24.0二頭筋224 0.875
TF_EFFICIENTNET_CC_B0_4E *TFP 77.746（22.254） 93.552（6.448） 13.3二頭筋224 0.875
TF_EFFICIENTNET_CC_B0_4E 77.304（22.696） 93.332（6.668） 13.3二頭筋224 0.875
TF_EFFICIENTNET_ES *TFP 77.616（22.384） 93.750（6.250） 5.44二頭筋224 n/a
TF_EFFICIENTNET_LITE2 *TFP 77.544（22.456） 93.800（6.200） 6.09二重線260 n/a
TF_EFFICIENTNET_LITE2 77.460（22.540） 93.746（6.254） 6.09二頭筋260 0.89
TF_EFFICIENTNET_B0_AP *TFP 77.514（22.486） 93.576（6.424） 5.29二頭筋224 n/a
TF_EFFICIENTNET_ES 77.264（22.736） 93.600（6.400） 5.44二頭筋224 n/a
TF_EFFICIENTNET_B0 *TFP 77.258（22.742） 93.478（6.522） 5.29二頭筋224 n/a
TF_EFFICIENTNET_B0_AP 77.084（22.916） 93.254（6.746） 5.29二頭筋224 0.875
tf_mixnet_m *tfp 77.072（22.928） 93.368（6.632） 5.01二重線224 n/a
tf_mixnet_m 76.950（23.050） 93.156（6.844） 5.01二頭筋224 0.875
TF_EFFICIENTNET_B0 76.848（23.152） 93.228（6.772） 5.29二頭筋224 0.875
TF_EFFICIENTNET_LITE1 *TFP 76.764（23.236） 93.326（6.674） 5.42二重線240 n/a
TF_EFFICIENTNET_LITE1 76.638（23.362） 93.232（6.768） 5.42二頭筋240 0.882
TF_MIXNET_S *TFP 75.800（24.200） 92.788（7.212） 4.13二重線224 n/a
TF_MOBILENETV3_LARGE_100 *TFP 75.768（24.232） 92.710（7.290） 5.48二重線224 n/a
tf_mixnet_s 75.648（24.352） 92.636（7.364） 4.13二頭筋224 0.875
TF_MOBILENETV3_LARGE_100 75.516（24.484） 92.600（7.400） 5.48二重線224 0.875
TF_EFFICIENTNET_LITE0 *TFP 75.074（24.926） 92.314（7.686） 4.65二重線224 n/a
TF_EFFICIENTNET_LITE0 74.842（25.158） 92.170（7.830） 4.65二頭筋224 0.875
TF_MOBILENETV3_LARGE_075 *TFP 73.730（26.270） 91.616（8.384） 3.99二重線224 n/a
TF_MOBILENETV3_LARGE_075 73.442（26.558） 91.352（8.648） 3.99二重線224 0.875
TF_MOBILENETV3_LARGE_MINIMAL_100 *TFP 72.678（27.322） 90.860（9.140） 3.92二重線224 n/a
TF_MOBILENETV3_LARGE_MINIMAL_100 72.244（27.756） 90.636（9.364） 3.92二重線224 0.875
TF_MOBILENETV3_SMALL_100 *TFP 67.918（32.082） 87.958（12.042 2.54二重線224 n/a
TF_MOBILENETV3_SMALL_100 67.918（32.082） 87.662（12.338） 2.54二重線224 0.875
TF_MOBILENETV3_SMALL_075 *TFP 66.142（33.858） 86.498（13.502） 2.04二重線224 n/a
TF_MOBILENETV3_SMALL_075 65.718（34.282） 86.136（13.864） 2.04二重線224 0.875
TF_MOBILENETV3_SMALL_MINIMAL_100 *TFP 63.378（36.622） 84.802（15.198） 2.04二重線224 n/a
TF_MOBILENETV3_SMALL_MINIMAL_100 62.898（37.102） 84.230（15.770） 2.04二重線224 0.875

* tf-preprocessingパイプラインで検証されたTFPモデル

公式のTensorflowリポジトリから移植されたGoogleTFおよびTfliteウェイト

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

使用法

環境

すべての開発とテストは、Linux X86-64システムのConda Python 3環境、特にPython 3.6.x、3.7.x、3.8.xで行われています。

ユーザーは、WindowsにPython 3 Anacondaインストールが機能することを報告しています。私はこれを自分で確認していません。

Pytorchバージョン1.4、1.5、1.6は、このコードでテストされています。

依存関係を最小限に抑えようとしました。セットアップは、コンドラのPytorchデフォルトインストール手順に従ってです。 

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

Pytorch Hub

モデルは、Pytorch Hub APIからアクセスできます

 >>> 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))

ピップ

このパッケージは、PIP経由でインストールできます。

インストール（Conda env/インストール後）： 

 pip install geffnet

評価：評価： 

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

電車の使用： 

 >>> 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()

fast.aiなどのためのnn.シーケンシャルコンテナで作成します。 

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

エクスポート

スクリプトが含まれています

  • onnxにモデルをエクスポートする（ onnx_export.py ）
  • 最適化されたonnxグラフ（ onnx_optimize.pyまたはonnx_validate.py w/ --onnx-output-opt arg）
  • onnxランタイム（ onnx_validate.py ）で検証
  • onnxモデルをcaffe2（ onnx_to_caffe.py ）に変換する
  • caffe2（ caffe2_validate.py ）で検証する
  • caffe2 w/ flops、パラメーター出力（ caffe2_benchmark.py ）のベンチマーク

例として、MobileNet-V3の前提条件モデルをエクスポートしてから、ImagENET検証を実行します。 

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

これらのスクリプトは、Pytorch 1.6およびONNX 1.7 w/ onnxランタイム1.4の時点で機能するようにテストされました。 Caffe2互換性のエクスポートには、エクスポートスクリプトに記載されている追加のARGが必要になりました（以前のバージョンでは必要ありません）。

エクスポート

  1. config.pyの_EXPORTABLEフラグがtrueに設定されていない限り、「同じ」コンビパディングがアクティブ化された「同じ」コンビパディングを備えた重量をONNXにエクスポートすることはできません。 onnx_export.pyスクリプトのようにconfig.set_exportable(True)を使用します。
  2. 「同じ」パディングを備えたTF移植モデルには、輸出時間にパディングが輸出に使用される解像度に固定されます。動的なパディングはOpset> = 11でサポートされていますが、機能することはできません。
  3. Pytorch 1.6 / onnx 1.7では、ONNX Optimize Facilityが確実に機能しません。幸いなことに、onnxruntimeベースの推論は現在非常にうまく機能しており、オンザフライの最適化が含まれています。
  4. onnx / caffe2エクスポート /インポートは、異なるpytorchおよびonnxバージョンのリリースで頻繁に破損します。ここで問題を提出する前に、それぞれの問題トラッカーを確認してください。
拡大する
追加情報
関連アプリ
おすすめ
関連情報 すべて