pytorchcv 0.0.50

pytorch上的计算机视觉模型

这是一组图像分类和分割模型。其中许多是预先训练过的 ImageNet-1K，CIFAR-10/100， SVHN，CUB-200-2011， Pascal VOC2012，ADE20K， Cityscapes，和COCO数据集，并自动加载 在使用过程中。所有的预训练模型都需要相同的标准化。培训/评估/转换脚本 模型在^{}repo中。

实施模型列表

• AlexNet（'One weird trick for parallelizing convolutional neural networks'）
• zfnet（'Visualizing and Understanding Convolutional Networks'）
• vgg/bn-vgg（'Very Deep Convolutional Networks for Large-Scale Image Recognition'）
• bn起始（'Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift'）
• resnet（'Deep Residual Learning for Image Recognition'）
• preresnet（'Identity Mappings in Deep Residual Networks'）
• resnext（'Aggregated Residual Transformations for Deep Neural Networks'）
• senet/se resnet/se preresnet/se resnext（'Squeeze-and-Excitation Networks'）
• ibn resnet/ibn resnext/ibn densenet（'Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net'）
• airnet/airnext（'Attention Inspiring Receptive-Fields Network for Learning Invariant Representations'）
• bam resnet（'BAM: Bottleneck Attention Module'）
• cbam resnet（'CBAM: Convolutional Block Attention Module'）
• resattnet（'Residual Attention Network for Image Classification'）
• sknet（'Selective Kernel Networks'）
• 直径resnet（'DIANet: Dense-and-Implicit Attention Network'）
• 金字塔网（'Deep Pyramidal Residual Networks'）
• diracnetv2（'DiracNets: Training Very Deep Neural Networks Without Skip-Connections'）
• 共享网（'ShaResNet: reducing residual network parameter number by sharing weights'）
• 登塞内特（'Densely Connected Convolutional Networks'）
• 冷凝网（'CondenseNet: An Efficient DenseNet using Learned Group Convolutions'）
• sparsenet（'Sparsely Aggregated Convolutional Networks'）
• 毛皮（'Pelee: A Real-Time Object Detection System on Mobile Devices'）
• 华侨城resnet（'Drop an Octave: Reducing Spatial Redundancy in Convolutional Neural Networks with Octave Convolution'）
• wrn（'Wide Residual Networks'）
• wrn-1bit（'Training wide residual networks for deployment using a single bit for each weight'）
• DRN-C/DRN-D（'Dilated Residual Networks'）
• dpn（'Dual Path Networks'）
• 黑暗参考号/tiny/19（'Darknet: Open source neural networks in c'）
• 黑暗-53（'YOLOv3: An Incremental Improvement'）
• 信道网（'ChannelNets: Compact and Efficient Convolutional Neural Networks via Channel-Wise Convolutions'）
• isqrt cov resnet（'Towards Faster Training of Global Covariance Pooling Networks by Iterative Matrix Square Root Normalization'）
• revnet（'The Reversible Residual Network: Backpropagation Without Storing Activations'）
• i-revnet（'i-RevNet: Deep Invertible Networks'）
• 风网（'Approximating CNNs with Bag-of-local-Features models works surprisingly well on ImageNet'）
• dla（'Deep Layer Aggregation'）
• msdnet（'Multi-Scale Dense Networks for Resource Efficient Image Classification'）
• 鱼网（'FishNet: A Versatile Backbone for Image, Region, and Pixel Level Prediction'）
• ESPNetv2（'ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network'）
• x-densenet（'Deep Expander Networks: Efficient Deep Networks from Graph Theory'）
• 挤压网/挤压网（'SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size'）
• 挤压下一个（'SqueezeNext: Hardware-Aware Neural Network Design'）
• shufflenet（'ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices'）
• shufflenetv2（'ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design'）
• 菜单（'Merging and Evolution: Improving Convolutional Neural Networks for Mobile Applications'）
• mobilenet（'MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications'）
• fd mobilenet（'FD-MobileNet: Improved MobileNet with A Fast Downsampling Strategy'）
• mobilenetv2（'MobileNetV2: Inverted Residuals and Linear Bottlenecks'）
• mobilenet3（'Searching for MobileNetV3'）
• IGCV3（'IGCV3: Interleaved Low-Rank Group Convolutions for Efficient Deep Neural Networks'）
• mnasnet（'MnasNet: Platform-Aware Neural Architecture Search for Mobile'）
• 省道（'DARTS: Differentiable Architecture Search'）
• 木质部原生质体（'ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware'）
• 异常（'Xception: Deep Learning with Depthwise Separable Convolutions'）
• 接收v3（'Rethinking the Inception Architecture for Computer Vision'）
• 接收v4/接收resnetv2（'Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning'）
• 波利尼特（'PolyNet: A Pursuit of Structural Diversity in Very Deep Networks'）
• NASNET（'Learning Transferable Architectures for Scalable Image Recognition'）
• PNASnet（'Progressive Neural Architecture Search'）
• 效率网（'EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks'）
• 宁（'Network In Network'）
• ROR-3（'Residual Networks of Residual Networks: Multilevel Residual Networks'）
• 里尔（'Resnet in Resnet: Generalizing Residual Architectures'）
• resdrop resnet（'Deep Networks with Stochastic Depth'）
• 摇动摇动resnet（'Shake-Shake regularization'）
• shakedrop resnet（'ShakeDrop Regularization for Deep Residual Learning'）
• 分形网（'FractalNet: Ultra-Deep Neural Networks without Residuals'）
• NTS网络（'Learning to Navigate for Fine-grained Classification'）
• pspnet（'Pyramid Scene Parsing Network'）
• DeepLabv3（'Rethinking Atrous Convolution for Semantic Image Segmentation'）
• FCN-8S（'Fully Convolutional Networks for Semantic Segmentation'）

安装

要在项目中使用这些模型，只需使用torch安装pytorchcv包（建议使用torch（>；=0.4.1）：

pip install pytorchcv torch>=0.4.0

要启用/禁用不同的硬件支持（如GPU），请签出pytorch installationinstructions。

用法

使用预处理resnet-18模型的示例：

from pytorchcv.model_provider import get_model as ptcv_get_model
import torch
from torch.autograd import Variable

net = ptcv_get_model("resnet18", pretrained=True)
x = Variable(torch.randn(1, 3, 224, 224))
y = net(x)

预训练模型

imagenet-1k

一些备注：

• top1/top5是imagenet-1k数据集验证子集上的标准1-crop top-1/top-5错误（百分比）。
• flops/2是与mac的数量相似的flops的数量除以2。
• 备注Converted from GL model表示模型在MXNet/Gluon上训练，然后转换为pytorch。
• 您可能会注意到，质量估计与其他框架中相应模型的质量估计大不相同。这个 是因为质量是在图像转换的标准torchvision堆栈上估计的。使用 opencv Resize转换而不是pil-one质量评估结果将与胶子模型的结果相似。
• resnet（d）是一种扩展的resnet，用于某些分割网络中的特征提取。

CIFAR-10

cifar-100

斯文

CUB-200-2011

帕斯卡voc20102

ADE20K