Awesome Backbones

Backbones impressionantes para classificação de imagem

Escreva na frente

• Se o efeito de treinamento não for bom, a primeira coisa que você precisa fazer é ajustar a taxa de aprendizado e o tamanho do lote, o que afeta bastante a convergência. Em segundo lugar, começando por desativar os métodos de aprimoramento da imagem (especialmente pequenos conjuntos de dados), alguns métodos de aprimoramento de imagem podem contaminar dados, como

Como remover aprimoramentos? Se o arquivo de configuração do TRAIN_PIPELE

 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'])
]

Se o seu conjunto de dados tiver alterado a forma para o tamanho exigido pela rede com antecedência, a operação Resize também poderá ser removida.

Atualizar log

2024.09.06

• Corrigido o problema de grandes resultados flutuantes durante a avaliação do feedback de alta frequência

2023.12.02

• Adicionado os resultados mencionados por muitas pessoas em questão , treinar o ACC e Val Loss

  • metrics_outputs.csv salva train_loss, train_acc, train_precision, train_recall, train_f1-score, val_loss, val_acc, val_precision, val_recall, val_f1-score para todos para desenhar
  • O terminal foi atualizado da saída original de métricas relacionadas à VAL para o trem e a saída Val

2023.08.05

• Adicionado Tinyvit (Incompatibilidade de Peso Pré -Trelando), Deit3 , Edgenext , RevVisionTransformer

2023.03.07

• Adicionado MobileVit , Davit , Replknet , Beit , Eva , Mixmim , EFIFIFICITYNETV2

2022.11.20

• Adicionado se deve usar o conjunto de testes como a opção de conjunto de verificação. Caso contrário, divida o número de conjuntos de verificação do conjunto de treinamento por proporção e selecione-o aleatoriamente de uma certa pasta do conjunto de treinamento como conjunto de verificação (semelhante ao K-dobra, mas não, você pode alterá-lo ligeiramente para alcançar o objetivo do K-Fold). Consulte Tutorial de Treinamento para obter detalhes

Ambiente de teste

• Pytorch 1.7.1+
• Python 3.6+

material

Conjunto de dados	Tutorial em vídeo	Grupo de discussão sobre tecnologia de inteligência artificial
Código de extração花卉数据集: 0zat	Clique em mim para pular	Grupo 1: 78174903 Grupo 3: 584723646

Comece rapidamente

• Configuração completa pela construção de ambiente de loop
• Baixe o peso mobileNetv3 Small para dados
• Entrada do terminal na pasta Awesome-Backbones

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

Tutorial

• Construção do Meio Ambiente
• Preparação do conjunto de dados
• Explicação do arquivo de configuração
• trem
• Avaliação do modelo
• Calcule flops & params
• Adicione novos componentes de modelo
• Visualização do gráfico de ativação da categoria
• Visualização da estratégia da taxa de aprendizado
• Visualização da política de aprimoramento de dados

Modelo

• LENET5
• Alexnet
• VGG
• Densenet
• Resnet
• REDEMA DE ARDENÇÃO
• Resnext
• Seresnet
• Seresnext
• Regnet
• MobileNetv2
• MobileNetv3
• Shufflenetv1
• Shufflenetv2
• EficienteNET
• Repvgg
• Res2net
• Convnext
• Hrnet
• Convmixer
• Cspnet
• Swin-Transformer
• Vision-Transformer
• Transformador em transformador
• Mlp-mixer
• Deit
• Conformador
• T2T-Vit
• Gêmeos
• PoolFormer
• VAN
• Hornet
• EficienteFormer
• Transformador Swin V2
• Mvit v2
• MobileVit
• Turco
• Replknet
• Beit
• Eva
• Mixmim
• EficienteNETV2

Pesos pré-treinamento

nome	Peso	nome	Peso	nome	Peso
LENET5	Nenhum	Alexnet	Nenhum	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	Nenhum
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	EficienteNET	EficienteNET-B0 EficienteNET-B1 EficienteNET-B2 EficienteNET-B3 EficienteNET-B4 EficienteNET-B5 EficienteNET-B6 EficienteNET-B7 EficienteNET-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
Transformador Swin	Tiny-224 Small-224 Base-224 grande-224 Base-384 Large-384	Transformador de visão	VIT_BASE_P16_224 vit_base_p32_224 VIT_LARGE_P16_224 VIT_BASE_P16_384 VIT_BASE_P32_384 VIT_LARGE_P16_384	Transformador no transformador	Tnt-small
Mixer MLP	base_p16 grande_p16	Deit	Deit minúsculo Deit minúsculo destilado Deit-small Deit-pequeno destilado Deit-Base Deit-base destilado Deit-base 384px Deit-base destilado 384px	Conformador	Conformista Tiny-P16 Conformer-small-p32 Conformer-small-p16 Conformista-BASE-P16
T2T-Vit	T2T-VIT_T-14 T2T-VIT_T-19 T2T-VIT_T-24	Gêmeos	Pcpvt-small PCPVT-BASE PCPVT-Large Svt-small SVT-BASE SVT-Large	PoolFormer	PoolFormer-S12 PoolFormer-S24 PoolFormer-S36 PoolFormer-M36 Poolformer-M48
Densenet	Densenet121 Densenet161 Densenet169 Densenet201	Rede de atenção visual (van)	Van Tiny Van-small Van-base Van-Large	REDEMA DE ARDENÇÃO	WRN-50 WRN-101
Hornet	Tarquinho de vespa Hornet Tiny-GF Hornet-small Hornet-small-gf Base Hornet Hornet-Base-GF Hornet-Large Hornet-Large-GF Hornet-Large-GF384	EficienteFormer	eficienteFormer-L1 eficienteFormer-L3 eficienteFormer-L7	Transformador Swin V2	Janela Tiny-256 8 Janela Tiny-256 16 Janela Small-256 8 Janela Small-256 16 Janela base-256 8 Janela Base-256 16 Janela grande de 256 Janela grande-384 24
Mvitv2	Mvitv2 pequeno Mvitv2-small MVITV2-BASE MVITV2-Large	MobileVit	MobileVit-XXSmall MobileVit-Xsmall MobileVit-small	Turco	Davit-t Davit-S Davit-B
Replknet	Replknet-31b-224 Replknet-31b-384 Replknet-31L-384 Replknet-xl	Beit	Beit-base	Eva	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	EficienteNETV2	EficienteNETV2-B0 EficienteNETV2-B1 EficienteNETV2-B2 EficienteNETV2-B3 EficienteNETV2-S EficienteNETV2-M EficienteNETV2-l EficienteNETV2-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	Edgext-Base Edgext-small Edgeext-x-small Edgeext-xx-small	RevVisionTransformer	Revvit-small Revvit-Base

Outros projetos que mantenho

• Dados de imagem insuficientes? Eu fiz um software de aprimoramento de imagem
• A conversão de um clique e edição de arquivos de rotulagem de imagem melhora bastante a eficiência

consulte

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