ResNeSt下载 - ResNeSt源代码下载

ResNeSt

Python

1.0.0

下载

重新开头

分裂注意网络，一种新的重新网络变体。它显着提高了下游模型的性能，例如蒙版R-CNN，级联R-CNN和DeepLabV3。

PYPI / GITHUB安装

安装此软件包存储库，请注意，您只需要选择其中一个选项

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

# using pypi
pip install resnest --pre

预验证的模型

	作物大小	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

可用第三方实施：Tensorflow，Caffe，Jax。
链接中有额外的消融研究模型

Pytorch型号

使用Torch Hub加载

 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 )

使用Python软件包加载

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

Gluon模型

负载预估计的模型：

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

转移学习模型

检测2

我们为训练检测模型提供了包装纸，并在D2处具有重新骨干。释放培训配置和预告片的模型。请参阅D2中的详细信息。

mmdetection

MMDetection已采用重新骨干。

语义细分

Pytorch模型和培训：请访问Pytorch编码工具包。
Gluon模型和培训：请访问GluonCV工具包。

验证成像网的结果：

注意：本文中报告的推理速度使用带有Recordio数据的Gluon实现进行了测试。

准备Imagenet数据集：

在这里，我们使用原始图像数据格式为简单起见，如果您想使用Recordio格式，请关注GluonCV教程。

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

火炬模型

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

Gluon模型

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

如何训练

成像网模型

使用MXNET Gluon进行培训：请访问Gluon文件夹。
使用Pytorch进行培训：请访问Pytorch编码工具包（比Gluon实施稍差）。

检测模型

有关对象检测和实例细分模型，请访问我们的destectron2-Resnest fork。

语义细分

使用Pytorch培训：编码工具包。
使用MXNET培训：GLUONCV工具包。

参考

Resnest：分裂注意网络[ARXIV]

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