Awesome Backbones

이미지 분류를위한 멋진 백본

앞에 쓰십시오

• 훈련 효과가 좋지 않은 경우 가장 먼저해야 할 일은 학습 속도와 배치 크기를 조정하여 수렴에 큰 영향을 미칩니다. 둘째, 이미지 향상 방법 (특히 소규모 데이터 세트)을 끄는 데 시작하면 일부 이미지 향상 방법은 다음과 같은 데이터를 오염시킬 수 있습니다.

향상을 제거하는 방법? 효율적인 Netv2-B0의 train_pipeline 구성 파일에서 다음을 변경할 수있는 경우

 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'])
]

데이터 세트가 네트워크 인출 크기로 미리 변경된 경우 Resize 작업을 제거 할 수도 있습니다.

로그 업데이트

2024.09.06

• 고주파 피드백 평가 중 큰 부동 결과 문제를 수정했습니다.

2023.12.02

• 문제가있는 많은 사람들이 언급 한 출력 , Train Acc 및 Val 손실을 추가했습니다.

  • 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 저장합니다.
  • 터미널은 VAL 관련 메트릭의 원래 출력에서 Train 및 Val 출력으로 업그레이드되었습니다.

2023.08.05

• 추가 된 Tinyvit (Pretraining Weight Mismatch), DEIT3 , Edgenext , RevvisionTransformer

2023.03.07

• 추가 mobilevit , davit , replknet , beit , eva , mixmim , experialnetv2

2022.11.20

• 테스트 세트를 확인 세트 옵션으로 사용할지 여부가 추가되었습니다. 그렇지 않은 경우, 트레이닝 세트에서 검증 세트 수를 비율별로 나누고, 검증 세트로서 트레이닝 세트의 특정 폴더에서 무작위로 선택하십시오 (K- 폴드와 유사하지만 K-fold의 목적을 달성하기 위해 약간 변경할 수 있음). 자세한 내용은 교육 자습서를 참조하십시오

테스트 환경

• Pytorch 1.7.1+
• 파이썬 3.6+

재료

데이터 세트	비디오 튜토리얼	인공 지능 기술 토론 그룹
花卉数据集추출 코드 : 0zat	나를 클릭하여 점프하십시오	그룹 1 : 78174903 그룹 3 : 584723646

빨리 시작하십시오

• 루프 환경 구성에 의한 완전한 구성
• Mobilenetv3-Small Weight를 데이터 에 다운로드하십시오
• Awesome-Backbones 폴더의 터미널 입력

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

지도 시간

• 환경 구성
• 데이터 세트 준비
• 구성 파일 설명
• 기차
• 모델 평가
• Flops & Params를 계산합니다
• 새로운 모델 구성 요소를 추가하십시오
• 카테고리 활성화 그래프 시각화
• 학습 속도 전략 시각화
• 데이터 향상 정책 시각화

모델

• LENET5
• Alexnet
• vgg
• Densenet
• RESNET
• 넓은 레지넷
• Resnext
• Seresnet
• seresnext
• regnet
• Mobilenetv2
• Mobilenetv3
• Shufflenetv1
• Shufflenetv2
• 효율적인 넷
• repvgg
• res2net
• 컨텍스트
• HRNET
• Convmixer
• CSPNET
• Swin-Transformer
• 비전 변환기
• 변압기-변환기
• MLP 믹서
• Deit
• 적합성
• T2T-VIT
• 쌍둥이
• 풀 폼
• 봉고차
• 호넷
• 효율적인 성능
• Swin Transformer v2
• MVIT V2
• MobileVit
• 닻 기둥
• replknet
• BEIT
• 에바
• MixMim
• 효율적인 NETV2

사전 훈련 중량

이름	무게	이름	무게	이름	무게
LENET5	없음	Alexnet	없음	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
Resnext	Resnext-50 Resnext-101 Resnext-152	Seresnet	Seresnet-50 Seresnet-101	seresnext	없음
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	효율적인 넷	효율적인 NET-B0 효율적인 NET-B1 효율적인 NET-B2 효율적인 NET-B3 효율적인 넷 B4 효율적인 NET-B5 효율적인 NET-B6 효율적인 NET-B7 효율적인 NET-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	컨텍스트	냉담한 냉담한 Condxt-Base 냉담한 CONBNEXT-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
Swin Transformer	작은 224 Small-224 베이스 -224 큰 224 베이스 384 큰 384	비전 변압기	vit_base_p16_224 vit_base_p32_224 vit_large_p16_224 vit_base_p16_384 vit_base_p32_384 vit_large_p16_384	변압기의 변압기	tnt-small
MLP 믹서	base_p16 large_p16	Deit	DEIT-TINY Deit-Tiny 증류 deit-small Deit-Small 증류 DEIT-BASE DEIT-BASE 증류 DEIT-BASE 384PX DEIT-Base 증류 384px	적합성	컨 포머-티니 -P16 Conformer-Small-P32 Conformer-Small-P16 순응도 -P16
T2T-VIT	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	쌍둥이	pcpvt-small PCPVT-베이스 PCPVT-LARGE SVT-Small SVT 기반 SVT-LARGE	풀 폼	풀 폼 -S12 풀 폼 -S24 풀 폼 -S36 풀 폼 M36 풀 폼 M48
Densenet	Densenet121 Densenet161 Densenet169 Densenet201	시각적주의 네트워크 (van)	반향 van-small 반베이스 반 래지	넓은 레지넷	WRN-50 WRN-101
호넷	Hornet-Tiny Hornet-Tiny-GF Hornet-Small Hornet-Small-GF 호넷베이스 Hornet-Base-GF Hornet-Large Hornet-Large-GF Hornet-Large-GF384	효율적인 성능	효율적인 성능 L1 효율적인 성능 L3 효율적인 성능 L7	Swin Transformer v2	작은 256 창 8 작은 256 창 16 Small-256 창 8 Small-256 창 16 베이스 -256 창 8 베이스 -256 창 16 큰 256 창 16 대형 384 창 24
MVITV2	MVITV2 TININY mvitv2-small MVITV2-베이스 MVITV2-LARGE	MobileVit	MobileVit-xxsmall MobileVit-Xsmall MobileVit-Small	닻 기둥	Davit-T Davit-S Davit-B
replknet	REPLKNET-31B-224 REPLKNET-31B-384 REPLKNET-31L-384 REPLKNET-XL	BEIT	BEIT-BASE	에바	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	효율적인 NETV2	효율적인 NETV2-B0 효율적인 NETV2-B1 효율적인 NETV2-B2 효율적인 NETV2-B3 효율적인 NETV2-S 효율적인 NETV2-M 효율적인 NETV2-L 효율적인 NETV2-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	RevisionTransformer	revvit-small revvit-base

내가 유지하는 다른 프로젝트

• 이미지 데이터가 불충분합니까? 이미지 향상 소프트웨어를 만들었습니다
• 원 클릭 변환 및 이미지 라벨링 파일 편집 소프트웨어는 효율성을 크게 향상시킵니다.

참조하십시오

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