gen-efficientnet-pytorch

gen-efficientnet-pytorch 项目介绍

项目简介

gen-efficientnet-pytorch 是一个基于 PyTorch 的模型集合，专注于实现各种高效计算和参数的神经网络架构，如 EfficientNet、MixNet 和 MobileNetV3 等。这些模型大多源于 MobileNet V1/V2 的模块序列，甚至包括通过自动化神经架构搜索得到的设计。

值得注意的是，gen-efficientnet-pytorch 项目已经不再维护，开发者建议转用 timm 库，该库在 Hugging Face 的 GitHub 上托管，包含了所有这些模型定义及更多其他内容。

项目更新

项目进行了若干次更新，引入了多个新模型及预训练权重：

• 2020年8月19日：新增 PyTorch 训练的 EfficientNet-B3 和 EfficientNet-Lite0，更新了 ONNX 的导出工具脚本。

• 2020年4月5日：加入了新训练的 MobileNet-V2 模型，它们在性能上优于 EfficientNet-Lite 系列。

• 2020年3月23日：新增 EfficientNet-Lite 及 PyTorch 训练的 MobileNet-V3 大型权重。

• 之前的更新涉及 EfficientNet NoisyStudent、RandAugment 版本的权重导入，以及多个新模型及其优化配置的引入。

实现的模型

项目中实现了多个高效模型，每个模型旨在提高推理效果并降低资源消耗：

• EfficientNet 系列（包括 NoisyStudent 和 AdvProp 版本）
• EfficientNet-EdgeTPU 和 EfficientNet-CondConv
• MixNet、MNASNet、MobileNetV3 和 FBNet-C 等

这些实现大多基于作者早期在 pytorch-image-models 项目中的工作，集合了模型验证及 ONNX/Caffe2 的导出代码。

预训练模型

作者提供了配有预训练权重的多种模型，这些模型在准确度上与原始论文及官方实现相当，甚至超越。训练代码可在作者的 pytorch-image-models 仓库中找到。项目还计划引入更多的预训练模型。

导出和验证

项目提供了一系列脚本，方便用户将模型导出为 ONNX 格式，优化 ONNX 图，以及在 ONNX runtime 和 Caffe2 中进行验证。这些导出工具与 PyTorch 1.6 和 ONNX 1.7 已测试兼容，并需要处理某些版本可能导致的兼容性问题。

使用说明

项目可以在 Conda 环境中与 PyTorch 一起安装。用户可以通过简单的 Python 代码创建和使用这些模型，比如利用 geffnet 库创建和评估模型。模型也可以通过 PyTorch Hub API 访问。

以下是模型加载和使用的简单示例：

import geffnet
model = geffnet.create_model('mobilenetv3_large_100', pretrained=True)
model.eval()

此外，该项目兼容 Windows 的 Conda 环境，用户报告显示在 Windows 系统中也运转良好。