ResNeSt

Resnest

Сеть сплит-привлекательности, новый вариант Resnet. Это значительно повышает производительность нисходящих моделей, таких как Mask R-CNN, Cascade R-CNN и DeepLabv3.

Оглавление

0. Предварительные модели
1. Модели перевода обучения
2. Проверьте результаты ImageNet
3. Как тренироваться
4. Ссылка

Установка PYPI / GitHub

0. Установите этот пакет репо, обратите внимание, что вам нужно только выбрать один из вариантов

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

# using pypi
pip install resnest --pre

Предварительные модели

	размер урожая	Пирог	Глюон
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

• Доступны сторонние реализации : Tensorflow, Caffe, Jax.

• Дополнительные модели изучения абляции доступны в ссылке

Модели Pytorch

• Загрузка с использованием факела

 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 )

• Загрузка с помощью Python Package

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

Gluon Models

• Нагрузка на предварительную модель:

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

Модели перевода обучения

Detectron2

Мы предоставляем обертку для обучения моделей Detectron2 с помощью Resnest Backbone на D2. Учебные конфигурации и предварительные модели выпускаются. Смотрите детали в D2.

MMDetection

Магистраль Resnest была принята MMDetection.

Семантическая сегментация

• Модели и обучение Pytorch: пожалуйста, посетите инструментарий кодирования Pytorch.
• Gluon Models and Training: Пожалуйста, посетите инструментарий Gluoncv.

Проверьте результаты ImageNet:

ПРИМЕЧАНИЕ. Скорость вывода, указанная в статье, тестируется с использованием реализации Gluon с данными записи.

Подготовьте набор данных ImageNet:

Здесь мы используем формат данных необработанного изображения для простоты, пожалуйста, следуйте учебному пособию GluONCV, если вы хотите использовать формат записи.

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

Модель факела

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

Модель Gluon

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

Как тренироваться

ImageNet Models

• Обучение с MXNET Gluon: Пожалуйста, посетите папку Gluon.
• Обучение с Pytorch: пожалуйста, посетите инструментарий кодирования Pytorch (немного хуже, чем внедрение Gluon).

Detectron Models

Для моделей обнаружения объектов и сегментации экземпляров, пожалуйста, посетите нашу вилку Detectron2-Resnest.

Семантическая сегментация

• Обучение с Pytorch: кодирование инструментария.
• Обучение с MXNET: GluONCV Toolkit.

Ссылка

Resnest: сети сплит-агитации [arxiv]

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

Основные участники

• Resnest Backbone (Hang Zhang)
• Модели Detectron (Chongruo Wu, Zhongyue Zhang)
• Семантическая сегментация (Yi Zhu)
• Распределенное обучение (Хайбин Лин)