tf_mobilenetv3_large_075.in1k - MobileNet-v3大规模图像分类与特征提取模型

项目介绍：tf_mobilenetv3_large_075.in1k

tf_mobilenetv3_large_075.in1k项目是一个关于图像分类的模型，属于MobileNet-v3家族。该模型在Tensorflow上通过ImageNet-1k数据集进行训练，并由Ross Wightman移植至PyTorch。

模型细节

tf_mobilenetv3_large_075.in1k是为图像分类而设计的，其主要特点如下：

模型类型: 图像分类 / 特征提取骨架
模型参数：
- 参数数量：4.0百万
- GMACs（十亿次乘加运算）：0.2
- 激活数量：4.0百万
- 图像尺寸：224 x 224
论文: 搜索MobileNetV3: 论文链接
数据集: ImageNet-1k
原始实现: GitHub链接

模型使用

图像分类

要在Python中使用该模型来进行图像分类，首先从一个URL加载图像并应用模型，然后进行预测，代码如下：

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('tf_mobilenetv3_large_075.in1k', pretrained=True)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

特征图提取

除了进行分类，该模型还可以用于特征图的提取，以下是相应的代码示例：

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'tf_mobilenetv3_large_075.in1k',
    pretrained=True,
    features_only=True,
)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

for o in output:
    print(o.shape)

图像嵌入

如果只是需要图像嵌入，不需要分类器，可以通过以下代码实现：

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'tf_mobilenetv3_large_075.in1k',
    pretrained=True,
    num_classes=0,
)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

output = model.forward_features(transforms(img).unsqueeze(0))
output = model.forward_head(output, pre_logits=True)

模型比较

需要深入了解该模型的性能和与其他模型的对比，可以访问timm的模型结果页面。

引用

在研究工作中引用此项目的相关论文和资源：

@inproceedings{howard2019searching,
  title={Searching for mobilenetv3},
  author={Howard, Andrew and Sandler, Mark and Chu, Grace and Chen, Liang-Chieh and Chen, Bo and Tan, Mingxing and Wang, Weijun and Zhu, Yukun and Pang, Ruoming and Vasudevan, Vijay and others},
  booktitle={Proceedings of the IEEE/CVF international conference on computer vision},
  pages={1314--1324},
  year={2019}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

通过以上信息，使用者可以快速了解tf_mobilenetv3_large_075.in1k项目的特性及其在图像分类任务中的应用。