#EfficientNet

gen-efficientnet-pytorch

本项目实现了EfficientNet、MixNet、MobileNetV3等多种高效模型，利用通用架构定义支持多种计算高效的神经网络。所有模型均基于MobileNet V1/V2块序列设计，并支持字符串化架构配置。请注意，该项目现已停止维护，推荐使用`timm`库获取更多功能和权重兼容的模型。

tf_efficientnet_b0.in1k

tf_efficientnet_b0.in1k是一个基于EfficientNet架构的图像分类模型，在ImageNet-1k数据集上使用Tensorflow训练，并由Ross Wightman移植到PyTorch。该模型具有5.3M参数和0.4 GMACs，支持细节丰富的224x224像素图像应用。其功能包括图像分类、特征映射提取和图像嵌入，非常适合在timm库中进行各种深度学习研究和应用，提供一种高效的图像处理方案。

efficientnet-b0

EfficientNet是一种训练于ImageNet-1k数据集、分辨率为224x224的卷积模型。该模型提出了复合系数方法，以均衡缩放模型的深度、宽度和分辨率。在移动设备上表现卓越，适用于图像分类。同时，用户可在Hugging Face平台上获取特定任务的微调版本。

tf_efficientnet_b0.ns_jft_in1k

tf_efficientnet_b0.ns_jft_in1k模型基于EfficientNet架构，通过Noisy Student半监督学习在ImageNet-1k和JFT-300m数据集上训练。拥有520万参数，0.4 GMAC，支持224x224图像输入。这一轻量级模型适用于图像分类、特征提取和嵌入生成，为计算机视觉应用提供高效且多功能的解决方案。

efficientnet_b1.ra4_e3600_r240_in1k

efficientnet_b1.ra4_e3600_r240_in1k是基于EfficientNet架构的轻量级图像分类模型。该模型在ImageNet-1k数据集上训练，参数量为7.79M，在240x240输入尺寸下达到81.440%的Top-1准确率。它在模型大小和性能之间取得平衡，适用于计算资源有限的应用场景，也可作为特征提取器用于其他计算机视觉任务。

efficientnet_b4.ra2_in1k

efficientnet_b4.ra2_in1k是基于EfficientNet架构的图像分类模型，在ImageNet-1k数据集上训练。该模型采用RandAugment RA2增强方法，使用RMSProp优化器，具有1930万参数和3.1 GMACs计算量。支持320x320训练图像和384x384测试图像，可用于图像分类、特征提取和嵌入等任务，为计算机视觉领域提供高效解决方案。

tf_efficientnet_b7.ns_jft_in1k

模型采用EfficientNet B7架构，结合Noisy Student半监督学习，在ImageNet-1k和JFT-300m数据集上训练。参数量66.3M，输入图像尺寸600x600，支持图像分类、特征提取和嵌入向量生成。已从TensorFlow移植至PyTorch，可应用于高精度图像识别任务。

tf_efficientnet_l2.ns_jft_in1k

基于EfficientNet架构开发的图像分类模型，采用Noisy Student半监督学习方法，结合ImageNet-1k和JFT-300m数据集进行训练。模型支持800x800分辨率输入，包含4.8亿参数，可用于图像分类、特征提取和嵌入向量生成。借助timm库实现模型的快速部署，适用于各类图像识别任务。

tf_efficientnet_b1.ns_jft_in1k

本项目是一个EfficientNet图像分类模型，通过Noisy Student半监督学习在ImageNet-1k和JFT-300m数据集上使用Tensorflow训练，并移植到PyTorch中。它可以执行图像分类、特征提取和嵌入生成。拥有仅7.8M参数和高计算效率，适合研究深度学习模型的缩放和性能优化。