ResNeSt

Resnest

Rede de atendimento dividido, uma nova variante Resnet. Isso aumenta significativamente o desempenho de modelos a jusante, como Mask R-CNN, Cascade R-CNN e Deeplabv3.

Índice

0. Modelos pré -teremam
1. Transferir modelos de aprendizado
2. Verifique os resultados do imagenet
3. Como treinar
4. Referência

Instalação do Pypi / Github

0. Instale este pacote repo, observe que você só precisa escolher uma das opções

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

# using pypi
pip install resnest --pre

Modelos pré -teremam

	Tamanho da colheita	Pytorch	Gluon
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

• As implementações de terceiros estão disponíveis: Tensorflow, Caffe, Jax.

• Modelos de estudo de ablação extra estão disponíveis no link

Modelos Pytorch

• Carregar usando o hub da tocha

 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 )

• Carregar usando o pacote python

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

Modelos de gluon

• Carregar o modelo pré -terenciado:

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

Transferir modelos de aprendizado

Detectron2

Fornecemos um invólucro para o treinamento de modelos Detectron2 com o backbone Resnest em D2. As configurações de treinamento e modelos pré -terem sido lançados. Veja detalhes em D2.

MmDetecção

A espinha dorsal resnest foi adotada pela mmdetecção.

Segmentação semântica

• Modelos e treinamento Pytorch: Visite Pytorch Encoding Toolkit.
• Modelos e treinamento Gluon: Visite Gluoncv Toolkit.

Verifique os resultados do ImageNet:

NOTA: A velocidade de inferência relatada no artigo é testada usando a implementação de gluon com dados do registro.

Prepare o conjunto de dados ImageNet:

Aqui, usamos o formato de dados de imagem bruta para simplificar, siga o tutorial GluonCV se você quiser usar o formato Recordio.

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

Modelo da tocha

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

Modelo de gluon

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

Como treinar

Modelos ImageNet

• Treinamento com o MXNET Gluon: Visite a pasta Gluon.
• Treinamento com Pytorch: Visite Pytorch Encoding Toolkit (um pouco pior que a implementação de Gluon).

Modelos Detectron

Para os modelos de detecção de objetos e segmentação de instância, visite nosso FILHO DE DETECTEMON2-RESNEST.

Segmentação semântica

• Treinamento com Pytorch: codificando kit de ferramentas.
• Treinamento com MXNET: Gluoncv Toolkit.

Referência

Resnest: Redes de atendimento dividido [ARXIV]

Hang Zhang, Chongruo Wu, Zhongyue Zhang, Yi Zhu, Zhi Zhang, Haibin Lin, Yue Sun, Tong He, Jonas Muller, R. Manmatha, Mu Li e 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}
}

Principais contribuidores

• Backbone Resnest (Hang Zhang)
• Modelos Detectron (Chonguo Wu, Zhongyue Zhang)
• Segmentação semântica (Yi Zhu)
• Treinamento distribuído (Haibin Lin)