RepGhost

Kategori: Efficient/Mobile · Kod: timm/models/repghost.py · Mimariler: 8 · Önceden eğitilmiş ağırlıklar: 8 (8 tanesi ImageNet-1k sonuçlarıyla)

RepGhostNet, Ghost modülündeki özellik birleştirmesini, çıkarım sırasında tek bir konvolüsyon yoluna katlanan yeniden parametrelenmiş özellik yeniden kullanımının yerini alır.

Makaleler

RepGhost: Yeniden Parametrelendirme ile Donanım Verimli Hayalet Modülü

Kullanım

Önceden eğitilmiş ağırlıkları yükleme, görüntü ön işleme ve ince ayar için Hızlı Başlangıç bölümüne, modelleri omurga olarak kullanmak için ise Özellik Çıkarımı bölümüne bakın.

>>> import timm
>>> model = timm.create_model('repghostnet_200.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Model API desteği

Özellik	`RepGhostNet`
`features_only=True` özellik haritaları	✓ (adım 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
Herhangi bir giriş boyutu, değişiklik gerekmez	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
Katman bazlı LR azaltma (`group_matcher()`)	✓
`reset_classifier()`	✓

✓ destekleniyor, ✓ (kare) yalnızca kare boyutlarda çalışır, ✗ desteklenmiyor, – gerekli değil (model zaten herhangi bir giriş boyutunu kabul eder). Her özellik, rastgele başlatılmış bir model üzerinde çalıştırılarak kontrol edilir (RepGhostNet için repghostnet_050, 224 boyutunda), aynı sınıftaki diğer mimarilerin de aynı şekilde davranması beklenir. Ayrıntılar için Model API sayfasına bakın.

Mimariler

Mimari	Parametreler (M)	GMAC'lar	Girdi boyutu	Önceden eğitilmiş ağırlıklar
`repghostnet_050`	2.31	0.05	224	1
`repghostnet_058`	2.54	0.06	224	1
`repghostnet_080`	3.27	0.10	224	1
`repghostnet_100`	4.06	0.15	224	1
`repghostnet_111`	4.52	0.18	224	1
`repghostnet_130`	5.46	0.24	224	1
`repghostnet_150`	6.55	0.31	224	1
`repghostnet_200`	9.77	0.53	224	1

GMAC'lar ve parametre sayıları, her mimarinin varsayılan giriş boyutu ve sınıflandırıcısı içindir ve benchmark sonuçlarından alınmıştır.

Önceden eğitilmiş ağırlıklar

Top-1, belirtilen değerlendirme boyutunda results-imagenet.csv dosyasındaki ImageNet-1k doğrulama doğruluğudur; ağırlığın ImageNet-1k sonucu yoksa (ör. ön eğitim veya görsel-metin ağırlıkları) bu değer "-" olarak gösterilir. Classes, ön eğitilmiş sınıflandırıcının boyutudur; sınıflandırıcısı olmayan ağırlıklar için bu değer "none"dur.

Ağırlık	Girdi boyutu	En iyi 1 (%)	Değerlendirme boyutu	Sınıflar	Lisans	Hub
`repghostnet_050.in1k`	224	66.978	224	1000	mit	timm
`repghostnet_058.in1k`	224	68.938	224	1000	mit	timm
`repghostnet_080.in1k`	224	72.240	224	1000	mit	timm
`repghostnet_100.in1k`	224	74.208	224	1000	mit	timm
`repghostnet_111.in1k`	224	75.060	224	1000	mit	timm
`repghostnet_130.in1k`	224	76.378	224	1000	mit	timm
`repghostnet_150.in1k`	224	77.474	224	1000	mit	timm
`repghostnet_200.in1k`	224	78.802	224	1000	mit	timm

Update on GitHub