gen efficientnet pytorch скачать - gen efficientnet pytorch исходный код скачать

gen efficientnet pytorch

Питон

1.0.0

Скачать

(Универсальные) Эффективные сети для Pytorch

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

Вместо этого используйте timm . Он включает в себя все эти определения моделей (совместимые веса) и гораздо больше.

«Общая» реализация эффективного сети, Mixnet, MobilenETV3 и т. Д., Которую, которая охватывает большую часть вычислительной/параметра -эффективной архитектуры, полученных из последовательности блока Mobilenet V1/V2, включая те, которые обнаружены с помощью автоматического поиска нейронной архитектуры.

Все модели реализованы классами GeneffIftNet или MobilENETV3 с определениями архитектуры на основе строк для настройки макетов блоков (идея отсюда)

Что нового

19 августа 2020 года

Добавить обновленные обученные Pytorch EfficeNet-B3 веса, обученные мне с timm (82,1 TOP-1)
Добавить Pytorch Trainted EfficeNet-Lite0, внесенный @HAL-314 (75,5 TOP-1)
Обновление ONNX и CAFFE2 Экспорт / утилита сценарии для работы с новейшим Pytorch / ONNX
Добавлен скрипт проверки на основе выполнения ONNX.
активации (в основном) привели к синхронизации с эквивалентами timm

5 апреля 2020 года

Добавьте несколько недавно обученных моделей Mobilenet-V2, обученных новейшими H-парамами, Rand Augment. Они сравниваются с эффективным сети-литом
- 3,5 метра Param Mobilenet-V2 100 @ 73%
- 4,5 мм Param Mobilenet-V2 110d @ 75%
- 6,1M Param Mobilenet-V2 140 @ 76,5%
- 5,8 мм Param Mobilenet-V2 120d @ 77,3%

23 марта 2020 года

Добавить модели Effificnet-Lite с весами, переношенными из Tensorflow TPU
Добавить Pytorch Trainted Mobilenet-V3 большие веса с 75,77% TOP-1
Важное изменение (если обучение с нуля) - Вес инициатор изменен, чтобы лучше соответствовать Tensorflow Impl, установить fix_group_fanout=False в initialize_weight_goog для старого поведения

12 февраля 2020 года

Добавить Effificnet-L2 и B0-B7 Noisystudent Weights, переносимых из Tensorflow TPU
Порт-новый эффект Effificnet-B8 (RandAugment) веса от TF TPU, они отличаются от B8 Advprop, различной нормализации ввода.
Добавить веса Randaugment Pytorch, обученные EffififitNet-ES (EdgetPu-Small) веса с 78,1 TOP-1. Обучен Эндрю Лавин

22 января 2020 года

Обновляйте вес для Efful FivingNet B0, B2, B3 и MixNet-XL с последними весами, обученными рамками. Обучен с (https://github.com/rwightman/pytorch-image-dels)
Исправьте совместимость с TorchScript для Pytorch 1.4, добавьте поддержку TorchScript для MixedConv2D с использованием модуликта
Тестовые модели, TorchScript, Export Onnx с Pytorch 1.4 - Нет проблем

22 ноября 2019 г.

Новый топ-1 высокий! Портированный официальный TF EffectNet Advprop (https://arxiv.org/abs/1911.09665) веса и спецификация модели B8. Создал новый набор моделей ap , поскольку они используют другую предварительную обработку (среднее значение/STD) из исходных весов Base/AA/RA/RA.

15 ноября 2019 г.

Портированные официальные TF Mobilenet-V3 Float32 большие/малые/минималистичные веса
Модель модели Mobilenet-V3 и компонентов для поддержки некоторой дополнительной конфигурации, необходимой для различий между TF Mobilenet-V3 и шахтом

30 октября 2019 г.

Многие из моделей теперь будут работать с Torch.jit.script, Mixnet является самым большим исключением
Улучшенный интерфейс для включения режимов совместимости экспорта TorchScript или ONNX (через конфигурацию)
Добавить JIT оптимизированный MEM-эффективный SWISH/MISH AUTOGRAD.FN в дополнение к эффективности памяти Autgrad.fn
Фабрика активации, чтобы выбрать лучшую версию активации по имени или переопределить один во всем мире
Добавить вспомогательный вспомогатель, который обрабатывает конврец ввода и изменения в вводе и изменения в классе

27 октября 2019 г.

Добавить варианты CondConv EfficiveNet, портированные с https://github.com/tensorflow/tpu/tree/master/models/official/effiotnet/condconvv
Добавить веса RandAug для TF EffactNet B5 и B7 от https://github.com/tensorflow/tpu/tree/master/models/official/effiatenet
Принесите модель Mixnet-xl и Algo масштабирование глубины из моей базы кода Pytorch-Image-Models
Переключение активаций и глобальное объединение в модули
Добавить память, экономичный Swish/Mish Impl
Добавить метод as_sectient () ко всем моделям и разрешить как аргумент в точке записи FNS
Переместите MobilEnetV3 в собственный файл, так как у него другая голова
Снимите шамн, Mobilenet v2/v1, так как они, вероятно, никогда не будут использоваться здесь

Модели

Реализованные модели включают:

EfficeNet noisystudent (B0-B7, L2) (https://arxiv.org/abs/1911.04252)
EffactNet Advprop (B0-B8) (https://arxiv.org/abs/1911.09665)
EffactNet (B0-B8) (https://arxiv.org/abs/1905.11946)
EffactNet-edgetPu (s, m, l) (https://ai.googleblog.com/2019/08/effiathing-edgetpu-creating.html)
EffactNet-condConv (https://arxiv.org/abs/1904.04971)
EffactNet-Lite (https://github.com/tensorflow/tpu/tree/master/models/official/effistnet/lite)
Mixnet (https://arxiv.org/abs/1907.09595)
Mnasnet B1, A1 (Squeeze-Excite) и Small (https://arxiv.org/abs/1807.11626)
Mobilenet-V3 (https://arxiv.org/abs/1905.02244)
Fbnet-c (https://arxiv.org/abs/1812.03443)
NAS с одним путем (https://arxiv.org/abs/1904.02877)

Первоначально я внедрил и обучил некоторые эти модели с кодом здесь, этот репозиторий содержит только модели GeneffIftNet, валидацию и связанный код экспорта ONNX/Caffe2.

Предварительно

Мне удалось обучить несколько моделей до точности, близкой к или выше исходных документов и официального имплла. Мой код обучения здесь: https://github.com/rwightman/pytorch-image-models

Модель	Prec@1 (err)	Prec@5 (err)	PARAM#(M)	Madds (m)	Масштабирование изображений	Разрешение	Обрезать
EfficiveNet_b3	82,240 (17,760)	96.116 (3.884)	12.23	TBD	Бикубик	320	1.0
EfficiveNet_b3	82,076 (17,924)	96.020 (3.980)	12.23	TBD	Бикубик	300	0,904
mixnet_xl	81.074 (18,926)	95,282 (4,718)	11.90	TBD	Бикубик	256	1.0
EfficiveNet_b2	80.612 (19.388)	95,318 (4,682)	9.1	TBD	Бикубик	288	1.0
mixnet_xl	80.476 (19.524)	94,936 (5,064)	11.90	TBD	Бикубик	224	0,875
EfficiveNet_b2	80.288 (19.712)	95.166 (4,834)	9.1	1003	Бикубик	260	0,890
mixnet_l	78.976 (21.024	94.184 (5,816)	7.33	TBD	Бикубик	224	0,875
EfficiveNet_b1	78.692 (21.308)	94.086 (5,914)	7,8	694	Бикубик	240	0,882
EfficiveNet_es	78.066 (21,934)	93,926 (6,074)	5.44	TBD	Бикубик	224	0,875
EfficiveNet_b0	77.698 (22.302)	93,532 (6,468)	5.3	390	Бикубик	224	0,875
mobilenetv2_120d	77.294 (22.706	93,502 (6,498)	5.8	TBD	Бикубик	224	0,875
mixnet_m	77.256 (22,744)	93,418 (6,582)	5.01	353	Бикубик	224	0,875
Mobilenetv2_140	76.524 (23.476)	92,990 (7,010)	6.1	TBD	Бикубик	224	0,875
mixnet_s	75,988 (24,012)	92,794 (7,206)	4.13	TBD	Бикубик	224	0,875
mobilenetv3_large_100	75,766 (24.234)	92,542 (7,458)	5.5	TBD	Бикубик	224	0,875
mobilenetv3_rw	75,634 (24,366)	92,708 (7,292)	5.5	219	Бикубик	224	0,875
efffivenet_lite0	75,472 (24,528)	92,520 (7,480)	4.65	TBD	Бикубик	224	0,875
mnasnet_a1	75,448 (24,552)	92,604 (7,396)	3.9	312	Бикубик	224	0,875
fbnetc_100	75,124 (24,876)	92,386 (7,614)	5.6	385	билинеар	224	0,875
MobilEnetv2_110d	75.052 (24,948)	92.180 (7,820)	4.5	TBD	Бикубик	224	0,875
mnasnet_b1	74,658 (25,342)	92.114 (7,886)	4.4	315	Бикубик	224	0,875
spnasnet_100	74.084 (25,916)	91.818 (8.182)	4.4	TBD	билинеар	224	0,875
Mobilenetv2_100	72,978 (27,022)	91.016 (8,984)	3.5	TBD	Бикубик	224	0,875

Более предварительно предварительно представленные модели ...

Портированные веса

Веса, переносимые из контрольных точек TensorFlow для моделей EfficientNet, в значительной степени соответствуют точности в TensorFlow после добавления того же эквивалента прокладки, эквивалентного прокладки, и те же коэффициенты обрезки, масштабирование изображений и т. Д. (См. Таблицу) используются через ARGS CMD -линии.

ВАЖНЫЙ:

Tensorflow Ported Weights для EffulfifyNet Advprop (AP), EfficipingNet EdgetPu, EfficeNet-CondConv, EfficiPitNet-Lite и Mobilenet-V3 модели используют стиль основания (0,5, 0,5, 0,5) для среднего и STD.
Включение трубопровода предварительной обработки TensorFlow с помощью --tf-preprocessing во время проверки улучшит оценки на 0,1-0,5%, что очень близко к исходному TF Impl.

Для запуска валидации для TF_EFFITMET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --crop-pct 0.934 --interpolation bicubic

Для выполнения проверки с предварительной обработкой TF для TF_EFFITMET_B5: python validate.py /path/to/imagenet/validation/ --model tf_efficientnet_b5 -b 64 --img-size 456 --tf-preprocessing

Чтобы запустить проверку для модели с предварительной обработкой начала, то есть EffififyNet-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

Модель	Prec@1 (err)	Prec@5 (err)	PARAM #	Масштабирование изображений	Размер изображения	Обрезать
TF_EFFITMETNTE_L2_NS *TFP	88,352 (11,648)	98,652 (1,348)	480	Бикубик	800	N/a
TF_EFFITMETNTE_L2_NS	TBD	TBD	480	Бикубик	800	0,961
TF_EFFITMETNTE_L2_NS_475	88.234 (11,766)	98,546 (1.454)	480	Бикубик	475	0,936
TF_EFFITMETNTE_L2_NS_475 *TFP	88.172 (11,828)	98.566 (1,434)	480	Бикубик	475	N/a
TF_EFFITMETNTE_B7_NS *TFP	86.844 (13.156)	98.084 (1.916)	66.35	Бикубик	600	N/a
TF_EFFITMETNTE_B7_NS	86.840 (13.160)	98.094 (1.906)	66.35	Бикубик	600	N/a
TF_EFFITMETNTE_B6_NS	86.452 (13.548)	97,882 (2.118)	43.04	Бикубик	528	N/a
TF_EFFITMETNTE_B6_NS *TFP	86.444 (13.556)	97,880 (2.120)	43.04	Бикубик	528	N/a
TF_EFFITMETNTE_B5_NS *TFP	86.064 (13,936)	97,746 (2,254)	30.39	Бикубик	456	N/a
TF_EFFITMETNTE_B5_NS	86.088 (13,912)	97,752 (2,248)	30.39	Бикубик	456	N/a
TF_EFFITMETNTE_B8_AP *TFP	85,436 (14,564)	97.272 (2,728)	87.4	Бикубик	672	N/a
TF_EFFITMETNTENT_B8 *TFP	85,384 (14,616)	97.394 (2,606)	87.4	Бикубик	672	N/a
TF_EFFITMETNTE_B8	85,370 (14,630)	97,390 (2,610)	87.4	Бикубик	672	0,954
TF_EFFITMETNTE_B8_AP	85,368 (14,632)	97.294 (2,706)	87.4	Бикубик	672	0,954
TF_EFFITMETNTE_B4_NS *TFP	85,298 (14,702)	97.504 (2,496)	19.34	Бикубик	380	N/a
TF_EFFITMETNTE_B4_NS	85,162 (14,838)	97,470 (2,530)	19.34	Бикубик	380	0,922
TF_EFFITMETNTE_B7_AP *TFP	85,154 (14,846)	97.244 (2,756)	66.35	Бикубик	600	N/a
TF_EFFITMETNTE_B7_AP	85.118 (14,882)	97.252 (2,748)	66.35	Бикубик	600	0,949
TF_EFFITMETNTE_B7 *TFP	84,940 (15.060)	97.214 (2,786)	66.35	Бикубик	600	N/a
TF_EFFITMETNT_B7	84,932 (15.068)	97.208 (2,792)	66.35	Бикубик	600	0,949
TF_EFFITMETNTE_B6_AP	84,786 (15,214)	97.138 (2,862)	43.04	Бикубик	528	0,942
TF_EFFITMETNTE_B6_AP *TFP	84,760 (15,240)	97.124 (2,876)	43.04	Бикубик	528	N/a
TF_EFFITMETNTE_B5_AP *TFP	84,276 (15,724)	96,932 (3.068)	30.39	Бикубик	456	N/a
TF_EFFITMETNTE_B5_AP	84,254 (15,746)	96,976 (3.024)	30.39	Бикубик	456	0,934
TF_EFFITMETNTE_B6 *TFP	84,140 (15,860)	96,852 (3.148)	43.04	Бикубик	528	N/a
TF_EFFITMETNT_B6	84,110 (15,890)	96.886 (3.114)	43.04	Бикубик	528	0,942
TF_EFFITMETNTE_B3_NS *TFP	84,054 (15,946)	96,918 (3.082)	12.23	Бикубик	300	N/a
TF_EFFITMETNTE_B3_NS	84,048 (15,952)	96,910 (3.090)	12.23	Бикубик	300	.904
TF_EFFITMETNTE_B5 *TFP	83,822 (16.178)	96,756 (3.244)	30.39	Бикубик	456	N/a
TF_EFFITMETNTE_B5	83,812 (16.188)	96,748 (3.252)	30.39	Бикубик	456	0,934
TF_EFFITMETNTE_B4_AP *TFP	83,278 (16,722)	96.376 (3,624)	19.34	Бикубик	380	N/a
TF_EFFITMETNTE_B4_AP	83,248 (16,752)	96.388 (3,612)	19.34	Бикубик	380	0,922
TF_EFFITMETNTE_B4	83,022 (16,978)	96,300 (3,700)	19.34	Бикубик	380	0,922
TF_EFFITMETNTE_B4 *TFP	82,948 (17.052)	96.308 (3,692)	19.34	Бикубик	380	N/a
TF_EFFITMETNTE_B2_NS *TFP	82,436 (17,564)	96.268 (3,732)	9.11	Бикубик	260	N/a
TF_EFFITMETNTE_B2_NS	82,380 (17,620)	96.248 (3,752)	9.11	Бикубик	260	0,89
TF_EFFITMETNTE_B3_AP *TFP	81.882 (18.118)	95,662 (4,338)	12.23	Бикубик	300	N/a
TF_EFFITMETNTE_B3_AP	81.828 (18.172)	95,624 (4,376)	12.23	Бикубик	300	0,904
TF_EFFITMETNTE_B3	81.636 (18.364)	95,718 (4,282)	12.23	Бикубик	300	0,904
TF_EFFITMETNTE_B3 *TFP	81.576 (18.424)	95,662 (4,338)	12.23	Бикубик	300	N/a
TF_EFFITMETNTE_LITE4	81.528 (18.472)	95,668 (4,332)	13.00	билинеар	380	0,92
TF_EFFITMETNTE_B1_NS *TFP	81.514 (18.486)	95,776 (4,224)	7.79	Бикубик	240	N/a
TF_EFFITMETNTERITE4 *TFP	81.502 (18.498)	95,676 (4,324)	13.00	билинеар	380	N/a
TF_EFFITMETNTE_B1_NS	81.388 (18.612)	95,738 (4,262)	7.79	Бикубик	240	0,88
TF_EFFITMETNT_EL	80.534 (19.466)	95.190 (4,810)	10.59	Бикубик	300	0,904
TF_EFFITMETNTE_EL *TFP	80.476 (19.524)	95,200 (4,800)	10.59	Бикубик	300	N/a
TF_EFFITMETNTE_B2_AP *TFP	80.420 (19.580)	95.040 (4,960)	9.11	Бикубик	260	N/a
TF_EFFITMETNTE_B2_AP	80.306 (19.694)	95,028 (4,972)	9.11	Бикубик	260	0,890
TF_EFFITMETNTENT_B2 *TFP	80.188 (19.812)	94,974 (5,026)	9.11	Бикубик	260	N/a
TF_EFFITMETNTE_B2	80.086 (19.914)	94,908 (5,092)	9.11	Бикубик	260	0,890
TF_EFFITMETNTE_LITE3	79,812 (20,188)	94,914 (5,086)	8.20	билинеар	300	0,904
TF_EFFITMETNTENT_LITE3 *TFP	79,734 (20,266)	94,838 (5,162)	8.20	билинеар	300	N/a
TF_EFFITMETNTE_B1_AP *TFP	79,532 (20,468)	94,378 (5,622)	7.79	Бикубик	240	N/a
TF_EFFITMETNTE_CC_B1_8E *TFP	79,464 (20,536)	94,492 (5,508)	39,7	Бикубик	240	0,88
TF_EFFITMETNTER_CC_B1_8E	79,298 (20,702)	94,364 (5,636)	39,7	Бикубик	240	0,88
TF_EFFITMETNTE_B1_AP	79,278 (20,722)	94,308 (5,692)	7.79	Бикубик	240	0,88
TF_EFFITMETNTE_B1 *TFP	79,172 (20,828)	94,450 (5,550)	7.79	Бикубик	240	N/a
TF_EFFITMETNTE_EM *TFP	78.958 (21.042)	94,458 (5,542)	6,90	Бикубик	240	N/a
TF_EFFITMETNTE_B0_NS *TFP	78.806 (21.194)	94,496 (5,504)	5.29	Бикубик	224	N/a
tf_mixnet_l *tfp	78.846 (21.154)	94,212 (5,788)	7.33	билинеар	224	N/a
TF_EFFITMETNTE_B1	78.826 (21.174)	94.198 (5,802)	7.79	Бикубик	240	0,88
tf_mixnet_l	78,770 (21,230)	94,004 (5,996)	7.33	Бикубик	224	0,875
TF_EFFITMETNET_EM	78.742 (21.258)	94,332 (5,668)	6,90	Бикубик	240	0,875
TF_EFFITMETNTE_B0_NS	78.658 (21,342)	94,376 (5,624)	5.29	Бикубик	224	0,875
TF_EFFITMETNTE_CC_B0_8E *TFP	78.314 (21.686)	93,790 (6,210)	24.0	Бикубик	224	0,875
TF_EFFITMETNTE_CC_B0_8E	77.908 (22.092)	93,656 (6,344)	24.0	Бикубик	224	0,875
TF_EFFITMETNTE_CC_B0_4E *TFP	77.746 (22.254)	93,552 (6,448)	13.3	Бикубик	224	0,875
TF_EFFITMETNTE_CC_B0_4E	77.304 (22.696)	93,332 (6,668)	13.3	Бикубик	224	0,875
TF_EFFITMETNTE_ES *TFP	77.616 (22,384)	93,750 (6,250)	5.44	Бикубик	224	N/a
TF_EFFITMETNTENT_LITE2 *TFP	77.544 (22,456)	93,800 (6,200)	6.09	билинеар	260	N/a
TF_EFFITMETNTE_LITE2	77.460 (22,540)	93,746 (6,254)	6.09	Бикубик	260	0,89
TF_EFFITMETNTE_B0_AP *TFP	77,514 (22,486)	93,576 (6,424)	5.29	Бикубик	224	N/a
TF_EFFITMETNT_ES	77.264 (22,736)	93,600 (6,400)	5.44	Бикубик	224	N/a
TF_EFFITMETNTENT_B0 *TFP	77.258 (22,742)	93,478 (6,522)	5.29	Бикубик	224	N/a
TF_EFFITMETNTE_B0_AP	77.084 (22,916)	93,254 (6,746)	5.29	Бикубик	224	0,875
tf_mixnet_m *tfp	77.072 (22,928)	93,368 (6,632)	5.01	билинеар	224	N/a
tf_mixnet_m	76,950 (23,050)	93.156 (6,844)	5.01	Бикубик	224	0,875
TF_EFFITMETNTE_B0	76.848 (23.152)	93,228 (6,772)	5.29	Бикубик	224	0,875
TF_EFFITMETNTENT_LITE1 *TFP	76.764 (23.236)	93,326 (6,674)	5.42	билинеар	240	N/a
TF_EFFITMETNTE_LITE1	76.638 (23,362)	93,232 (6,768)	5.42	Бикубик	240	0,882
tf_mixnet_s *tfp	75,800 (24,200)	92,788 (7,212)	4.13	билинеар	224	N/a
tf_mobilenetv3_large_100 *tfp	75,768 (24,232)	92,710 (7,290)	5.48	билинеар	224	N/a
tf_mixnet_s	75,648 (24,352)	92.636 (7,364)	4.13	Бикубик	224	0,875
tf_mobilenetv3_large_100	75,516 (24,484)	92,600 (7,400)	5.48	билинеар	224	0,875
TF_EFFITMETNTENT_LITE0 *TFP	75,074 (24,926)	92.314 (7,686)	4.65	билинеар	224	N/a
TF_EFFITMETNTE_LITE0	74,842 (25,158)	92.170 (7,830)	4.65	Бикубик	224	0,875
tf_mobilenetv3_large_075 *tfp	73,730 (26,270)	91.616 (8.384)	3.99	билинеар	224	N/a
tf_mobilenetv3_large_075	73,442 (26,558)	91,352 (8,648)	3.99	билинеар	224	0,875
tf_mobilenetv3_large_minimal_100 *tfp	72,678 (27,322)	90.860 (9.140)	3.92	билинеар	224	N/a
tf_mobilenetv3_large_minimal_100	72,244 (27,756)	90.636 (9.364)	3.92	билинеар	224	0,875
tf_mobilenetv3_small_100 *tfp	67,918 (32,082)	87.958 (12.042	2.54	билинеар	224	N/a
tf_mobilenetv3_small_100	67,918 (32,082)	87.662 (12.338)	2.54	билинеар	224	0,875
tf_mobilenetv3_small_075 *tfp	66.142 (33,858)	86.498 (13.502)	2.04	билинеар	224	N/a
tf_mobilenetv3_small_075	65,718 (34,282)	86.136 (13.864)	2.04	билинеар	224	0,875
tf_mobilenetv3_small_minimal_100 *tfp	63,378 (36,622)	84,802 (15.198)	2.04	билинеар	224	N/a
tf_mobilenetv3_small_minimal_100	62,898 (37,102)	84,230 (15,770)	2.04	билинеар	224	0,875

*Модели TFP, подтвержденные с помощью tf-preprocessing трубопровода

Google TF и Tflite Wewsats, переносимые из официальных репозитории Tensorflow

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

Использование

Среда

Вся разработка и тестирование были проведены в средах Conda Python 3 в системах Linux x86-64, в частности Python 3.6.x, 3.7.x, 3.8.x.

Пользователи сообщили, что установка Anaconda Python 3 в Windows Works. Я сам не проверил это.

Версии Pytorch 1.4, 1,5, 1,6 были протестированы с помощью этого кода.

Я старался сохранить минимальные зависимости, настройка соответствует инструкциям по установке Pytorch по умолчанию для Conda:

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

Pytorch Hub

Модели можно получить через API Pytorch Hub API

 >>> 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))

Пип

Этот пакет может быть установлен через PIP.

Установить (после Conda Env/Install):

 pip install geffnet

Оценка использование:

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

Использование поезда:

 >>> 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()

Создайте в NN.Sectembent Container, для Fast.ai и т. Д.

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

Экспорт

Сценарии включены

Экспортные модели в ONNX ( onnx_export.py )
Оптимизированный onnx graph ( onnx_optimize.py или onnx_validate.py w/ --onnx-output-opt arg)
проверить со временем выполнения ONNX ( onnx_validate.py )
преобразовать модель ONNX в Caffe2 ( onnx_to_caffe.py )
проверить в Caffe2 ( caffe2_validate.py )
CAFFER в Caffe2 с флопами, параметры вывода ( caffe2_benchmark.py )

В качестве примера, чтобы экспортировать модель Mobilenet-V3, предварительно предварительную, а затем запустить проверку ImageNet:

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

Эти сценарии были протестированы для работы на Pytorch 1.6 и Onnx 1,7 Вт/ Onnx Runtime 1.4. Совместимый с Caffe2 экспорт теперь требует дополнительных ARG, упомянутых в сценарии экспорта (не требуется в более ранних версиях).

Экспортные заметки

TF -портированные веса с тем же «той же», активированным Conv, не могут быть экспортированы в ONNX, если только _EXPORTABLE Flag в config.py не установлен на TRUE. Используйте config.set_exportable(True) , как в сценарии onnx_export.py .
Портируемые модели TF с «той же» заполнением будут иметь фиксированную накладку во время экспорта в разрешение, используемое для экспорта. Несмотря на то, что динамическая заполнение поддерживается в Opset> = 11, я не могу заставить ее работать.
Оптимизация ONNX Оптимизируется, не работает надежно в Pytorch 1.6 / ONNX 1.7. К счастью, вывод, основанный на Onnxruntime, теперь работает очень хорошо и включает в себя оптимизацию лета.
Export / Import Onnx / Caffe2 часто ломается с различными выпусками версий Pytorch и Onnx. Пожалуйста, проверьте их соответствующие трекеры выпуска, прежде чем подавать проблемы здесь.

Расширять

Дополнительная информация