tf_efficientnet_b1.ns_jft_in1k

tf_efficientnet_b1.ns_jft_in1k 项目介绍

背景介绍

tf_efficientnet_b1.ns_jft_in1k 项目是一款高效的图像分类模型。它基于 EfficientNet 架构，由研究人员在 Tensorflow 中使用 Noisy Student 半监督学习方法训练而成，并由 Ross Wightman 移植到 PyTorch。该模型使用的是 ImageNet-1k 和未标记的 JFT-300m 数据集，具有良好的图像分类性能。

模型详情

模型类型：

图像分类/特征骨干

模型统计：

参数量：7.8百万
GMACs：0.7
激活数：10.9百万
图像尺寸：240x240像素

相关论文：

训练数据集：

ImageNet-1k

原始仓库：

GitHub链接

模型使用方法

图像分类

该模型可以用于图像分类任务，通过简单的几行代码即可实现。加载预训练模型后，可以对输入图像进行处理并获得其分类结果。

from PIL import Image
import timm

# 加载并预处理图像
img = Image.open('图像链接/路径')

model = timm.create_model('tf_efficientnet_b1.ns_jft_in1k', pretrained=True)
model = model.eval()

transforms = timm.data.create_transform(is_training=False)

# 获取分类结果
output = model(transforms(img).unsqueeze(0))

特征图提取

该模型还支持从输入图像中提取特征图，这对需要中间层输出进行分析的任务十分有用。

model = timm.create_model('tf_efficientnet_b1.ns_jft_in1k', pretrained=True, features_only=True)
model = model.eval()

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

每个输出的特征图尺寸与原始图像有所区别，具体形状可以通过循环打印确认。

图像嵌入

若需要获取图像嵌入（即特征向量），可以通过如下方式实现，此过程可视为移除分类器层后的特征提取。

model = timm.create_model('tf_efficientnet_b1.ns_jft_in1k', pretrained=True, num_classes=0)
model = model.eval()

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

模型比较

可前往 timm 模型结果页面，探索该模型在数据集上的性能及运行度量。

引用信息

若在研究或应用中使用了该模型，请引用以下论文：

@inproceedings{tan2019efficientnet,
  title={Efficientnet: Rethinking model scaling for convolutional neural networks},
  author={Tan, Mingxing and Le, Quoc},
  booktitle={International conference on machine learning},
  pages={6105--6114},
  year={2019},
  organization={PMLR}
}
@article{Xie2019SelfTrainingWN,
  title={Self-Training With Noisy Student Improves ImageNet Classification},
  author={Qizhe Xie and Eduard H. Hovy and Minh-Thang Luong and Quoc V. Le},
  journal={2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2019},
  pages={10684-10695}
}
@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}}
}