ResNeSt下載 - ResNeSt源代碼下載

ResNeSt

Python

1.0.0

下載

重新開頭

分裂注意網絡，一種新的重新網絡變體。它顯著提高了下游模型的性能，例如蒙版R-CNN，級聯R-CNN和DeepLabV3。

PYPI / GITHUB安裝

安裝此軟件包存儲庫，請注意，您只需要選擇其中一個選項

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

# using pypi
pip install resnest --pre

預驗證的模型

	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

可用第三方實施：Tensorflow，Caffe，Jax。
鏈接中有額外的消融研究模型

Pytorch型號

使用Torch Hub加載

 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軟件包加載

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

Gluon模型

負載預估計的模型：

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

轉移學習模型

檢測2

我們為訓練檢測模型提供了包裝紙，並在D2處具有重新骨幹。釋放培訓配置和預告片的模型。請參閱D2中的詳細信息。

mmdetection

MMDetection已採用重新骨幹。

語義細分

Pytorch模型和培訓：請訪問Pytorch編碼工具包。
Gluon模型和培訓：請訪問GluonCV工具包。

驗證成像網的結果：

注意：本文中報告的推理速度使用帶有Recordio數據的Gluon實現進行了測試。

準備Imagenet數據集：

在這裡，我們使用原始圖像數據格式為簡單起見，如果您想使用Recordio格式，請關注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

如何訓練

成像網模型

使用MXNET Gluon進行培訓：請訪問Gluon文件夾。
使用Pytorch進行培訓：請訪問Pytorch編碼工具包（比Gluon實施稍差）。

檢測模型

有關對象檢測和實例細分模型，請訪問我們的destectron2-Resnest fork。

語義細分

使用Pytorch培訓：編碼工具包。
使用MXNET培訓：GLUONCV工具包。

參考

Resnest：分裂注意網絡[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}
}