rexnet_150.nav_in1k

项目介绍：rexnet_150.nav_in1k

rexnet_150.nav_in1k是一个优秀的图像分类模型，它在ImageNet-1k数据集上经过了预训练。这个模型是由论文作者专门设计的，能够提供极高效的图像分类性能。

模型详情

rexnet_150.nav_in1k属于图像分类和特征骨干类型的模型。它的参数数量约为9.7百万，GMACs为0.9，激活值约为11.2百万。模型处理的图像尺寸为224x224像素。

利用Rethinking Channel Dimensions for Efficient Model Design这篇论文的研究成果，rexnet系列模型专注于通过优化通道维度，提升模型的整体效率。可以在论文链接找到更多研究细节。模型的代码和相关资源可以在GitHub上找到。

模型使用方法

图像分类

用户可以轻松地使用rexnet_150.nav_in1k进行图像分类。通过timm库，用户能够快速创建并应用这个预训练模型。以下是一个简单的例子：

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

# 下载并打开图像
img = Image.open(urlopen('https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'))

# 创建预训练模型
model = timm.create_model('rexnet_150.nav_in1k', pretrained=True)
model = model.eval()

# 获取模型特定的变换设置（如标准化、调整大小）
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

# 进行推理
output = model(transforms(img).unsqueeze(0))

# 获取前五名概率和分类
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

特征图提取

rexnet_150.nav_in1k也可以用于提取图像的特征图，这在特定的计算机视觉任务中非常有用。例如：

model = timm.create_model('rexnet_150.nav_in1k', pretrained=True, features_only=True)
model = model.eval()

# 执行特征图提取
output = model(transforms(img).unsqueeze(0))

for o in output:
    print(o.shape)

图像嵌入

用户还可以通过移除分类器部分来获取图像的嵌入表示：

model = timm.create_model('rexnet_150.nav_in1k', pretrained=True, num_classes=0)
model = model.eval()

# 输出为（1, num_features）形状的张量
output = model.forward_head(model.forward_features(transforms(img).unsqueeze(0)), pre_logits=True)

模型比较

rexnet_150.nav_in1k在与其他模型的比较中表现出色，以下是部分模型对比：

关于更多的模型对比数据和运行时指标，用户可以查阅timm模型结果。

引用

如果要在学术或其他文章中引用这个模型的工作，可以使用以下格式：

@misc{han2021rethinking,
  title={Rethinking Channel Dimensions for Efficient Model Design}, 
  author={Dongyoon Han and Sangdoo Yun and Byeongho Heo and YoungJoon Yoo},
  year={2021},
  eprint={2007.00992},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}  

rexnet_150.nav_in1k是图像分类任务中的一个非常高效的选择，尤其适合需要在精度与计算效率之间找到平衡的应用场景。