gen-efficientnet-pytorch:高效的EfficientNet PyTorch实现
gen-efficientnet-pytorch是一个通用的EfficientNet PyTorch实现,支持多种高效CNN模型,包括EfficientNet、MixNet、MobileNetV3等。该项目由Ross Wightman开发,旨在提供一个灵活、高效的EfficientNet系列模型实现。
主要特性
- 支持多种高效CNN模型
gen-efficientnet-pytorch实现了以下模型:
- EfficientNet (B0-B8, L2)
- EfficientNet-Lite
- MixNet (Small, Medium, Large)
- MobileNetV3 (Large, Small)
- MNASNet
- FBNet-C
- Single-Path NAS
这些模型都是基于MobileNetV1/V2的block序列派生出来的计算/参数高效的架构,包括一些通过神经架构搜索(NAS)得到的模型。
- 提供预训练模型
项目提供了多种预训练模型,包括:
- 作者自行训练的模型,如EfficientNet-B3达到82.1% top-1准确率
- 从TensorFlow官方实现移植的预训练权重
这些预训练模型可以直接用于迁移学习或评估。
- 便捷的使用接口
gen-efficientnet-pytorch提供了简单易用的接口:
import geffnet
# 创建预训练模型
model = geffnet.create_model('efficientnet_b0', pretrained=True)
# 使用entrypoint直接创建
model = geffnet.efficientnet_b2(pretrained=True, drop_rate=0.25)
# 创建为nn.Sequential,方便与fast.ai等框架集成
model = geffnet.mixnet_l(pretrained=True, as_sequential=True)
- 支持模型导出
项目提供了导出模型到ONNX、Caffe2等格式的脚本,方便部署:
- 导出到ONNX
- 优化ONNX图
- 验证ONNX模型
- 转换ONNX到Caffe2
- 在Caffe2中验证和benchmark
性能表现
gen-efficientnet-pytorch中的模型在ImageNet上展现了出色的性能,以下是部分模型的top-1准确率:
- EfficientNet-B3: 82.1%
- MixNet-XL: 80.5%
- EfficientNet-B2: 80.3%
- MobileNetV3 Large: 75.8%
- MNASNet-A1: 75.4%
项目还提供了详细的benchmarks,包括参数量、MACs等指标。
使用方法
- 安装
pip install geffnet
- 创建模型
import geffnet
# 创建预训练模型
model = geffnet.create_model('efficientnet_b0', pretrained=True)
# 评估模式
model.eval()
# 前向传播
output = model(input)
- 导出模型
# 导出到ONNX
python onnx_export.py --model mobilenetv3_large_100 ./mobilenetv3_100.onnx
# 验证ONNX模型
python onnx_validate.py /imagenet/validation/ --onnx-input ./mobilenetv3_100.onnx
总结
gen-efficientnet-pytorch为EfficientNet系列模型提供了一个高效、灵活的PyTorch实现。它支持多种模型架构,提供预训练权重,使用简单,并支持模型导出,是一个很好的EfficientNet相关研究和应用的工具。
对于想要在PyTorch中使用EfficientNet等高效CNN模型的研究者和开发者来说,gen-efficientnet-pytorch是一个值得尝试的选择。它可以帮助你快速地将这些先进的模型集成到自己的项目中,进行迁移学习或进一步的研究。
希望这个项目能够帮助更多人了解和使用EfficientNet等高效CNN模型,推动计算机视觉领域的发展。如果你对这个项目感兴趣,不妨star一下GitHub仓库,并尝试使用它来提升你的深度学习项目的效率。
