ResNeStダウンロードResNeStソースコードのダウンロード

ResNeSt

パイソン

1.0.0

ダウンロード

resnest

Split-Attention Network、新しいResnetバリアント。 Mask R-CNN、Cascade R-CNN、DeepLabv3などのダウンストリームモデルのパフォーマンスを大幅に向上させます。

PYPI / GITHUBインストール

このパッケージリポジトリをインストールして、オプションのいずれかを選択する必要があることに注意してください

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

# using pypi
pip install resnest --pre

前処理されたモデル

	作物サイズ	Pytorch	グルオン
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

Tensorflow、Caffe、Jax：Tensorflow、Jaxの第三者の実装が利用可能です。
追加のアブレーション研究モデルはリンクで利用できます

Pytorchモデル

トーチハブを使用してロードします

 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 )

Pythonパッケージを使用してロードします

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

グルオンモデル

前提条件のモデルを読み込みます：

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

学習モデルを転送します

Detectron2

D2で逆バックボーンを備えたTraining detectron2モデルのラッパーを提供します。トレーニング構成と前提条件のモデルがリリースされます。 D2の詳細を参照してください。

mmdeTection

最新の骨格は、MMDeTectionによって採用されています。

セマンティックセグメンテーション

Pytorchモデルとトレーニング：Pytorchエンコードツールキットにアクセスしてください。
Gluonモデルとトレーニング：GluonCV Toolkitにアクセスしてください。

Imagenetの結果を確認します：

注：論文で報告されている推論速度は、Recordioデータを使用したGluon実装を使用してテストされています。

Imagenetデータセットを準備：

ここでは、Raw Image Data Formatを使用してSimplicityを使用して、Recordio形式を使用する場合はGluonCVチュートリアルをフォローしてください。

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

トーチモデル

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

グルオンモデル

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

トレーニング方法

Imagenetモデル

MXNet Gluonでのトレーニング：Gluonフォルダーにアクセスしてください。
Pytorchでのトレーニング：Pytorchエンコードツールキット（Gluonの実装よりもわずかに悪い）にアクセスしてください。

検出モデル

オブジェクトの検出およびインスタンスセグメンテーションモデルについては、detectron2-resnestフォークにアクセスしてください。

セマンティックセグメンテーション

Pytorchでのトレーニング：エンコードツールキット。
MXNETでのトレーニング：GluONCV Toolkit。

参照

resnest：分割出席ネットワーク[arxiv]

ハングチャン、チョンルオウ、Zhongyue Zhang、Yi Zhu、Zhi Zhang、Haibin Lin、Yue Sun、Tong He、Jonas Muller、R。Manmatha、Mu Li、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}
}