ResNeSt
1.0.0
เครือข่ายแยกความสนใจเป็นตัวแปร ResNet ใหม่ มันช่วยเพิ่มประสิทธิภาพของโมเดลดาวน์สตรีมเช่น Mask R-CNN, Cascade R-CNN และ DeeplAbv3
# using github url
pip install git+https://github.com/zhanghang1989/ResNeSt
# using pypi
pip install resnest --pre| ขนาดพืช | pytorch | คนโง่ | |
|---|---|---|---|
| resnest-50 | 224 | 81.03 | 81.04 |
| resnest-101 | 256 | 82.83 | 82.81 |
| resnest-2000 | 320 | 83.84 | 83.88 |
| resnest-269 | 416 | 84.54 | 84.53 |
มี การใช้งานบุคคลที่สาม : Tensorflow, Caffe, Jax
รูปแบบการศึกษาการระเหยพิเศษมีอยู่ในลิงค์
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 ) # using ResNeSt-50 as an example
from resnest . torch import resnest50
net = resnest50 ( pretrained = True ) # using ResNeSt-50 as an example
from resnest . gluon import resnest50
net = resnest50 ( pretrained = True )เราให้บริการเสื้อคลุมสำหรับการฝึกอบรมแบบจำลอง Detectron2 ด้วย Resnest Backbone ที่ D2 การกำหนดค่าการฝึกอบรมและแบบจำลองที่ผ่านการฝึกอบรมจะถูกปล่อยออกมา ดูรายละเอียดใน D2
backbone resnest ได้รับการรับรองโดย mmdetection
หมายเหตุ: ความเร็วการอนุมานที่รายงานในกระดาษถูกทดสอบโดยใช้การใช้งาน Gluon ด้วยข้อมูล Recordio
ที่นี่เราใช้รูปแบบข้อมูลภาพดิบเพื่อความเรียบง่ายโปรดติดตามการสอน GluonCV หากคุณต้องการใช้รูปแบบ Recordio
cd scripts/dataset/
# assuming you have downloaded the dataset in the current folder
python prepare_imagenet.py --download-dir ./ # use resnest50 as an example
cd scripts/torch/
python verify.py --model resnest50 --crop-size 224 # use resnest50 as an example
cd scripts/gluon/
python verify.py --model resnest50 --crop-size 224สำหรับการตรวจจับวัตถุและแบบจำลองการแบ่งส่วนอินสแตนซ์โปรดไปที่ส้อม Detectron2-Resnest ของเรา
Resnest: เครือข่ายการแยกส่วน [arxiv]
Hang Zhang, Chongruo Wu, Zhongyue Zhang, Yi Zhu, Zhi Zhang, Haibin Lin, Yue Sun, Tong เขา, Jonas Muller, R. Manmatha, Mu Li และ 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}
}
