面向研究人员 —

探索和扩展模型
来自最新的
前沿研究

  • HybridNets

HybridNets - 端到端感知网络
  • 3D ResNet

在 Kinetics 400 数据集上预训练的 Resnet 风格视频分类网络
  • SlowFast

在 Kinetics 400 数据集上预训练的 SlowFast 网络
  • X3D

在 Kinetics 400 数据集上预训练的 X3D 网络
  • YOLOP

在 BDD100K 数据集上预训练的 YOLOP
  • MiDaS

用于根据单个图像计算相对深度的 MiDaS 模型。
  • ntsnet

使用此细粒度图像分类器对鸟类进行分类
  • FastPitch 2

用于根据文本生成梅尔谱图的 FastPitch 模型
  • GPUNet

GPUNet 是一系列新的卷积神经网络，旨在最大化 NVIDIA GPU 和 TensorRT 的性能。
  • HiFi GAN

用于根据梅尔谱图生成波形的 HiFi GAN 模型
  • Once-for-All

Once-for-all (OFA) 将训练和搜索解耦，并在各种边缘设备和资源约束下实现高效的推理。
  • Open-Unmix

音乐源分离的参考实现
  • Silero 语音到文本 ...

一套适用于多种语言的紧凑型企业级预训练 STT 模型。
  • Silero 文本到语音 ...

一套适用于多种语言的紧凑型企业级预训练 TTS 模型
  • Silero 语音活动 ...

预训练的语音活动检测器
  • YOLOv5

Ultralytics YOLOv5 🚀 用于目标检测、实例分割和图像分类。
  • Deeplabv3

具有 ResNet-50、ResNet-101 和 MobileNet-V3 骨干网络的 DeepLabV3 模型
  • Transformer (NMT)

用于英法翻译和英德翻译的 Transformer 模型。
  • ResNext WSL

使用数十亿规模弱监督数据训练的 ResNext 模型。
  • DCGAN on FashionGen

用于 64x64 图像的简单生成图像模型
  • 渐进式增长...

高质量的时尚、名人面部图像生成
  • 半监督和 se...

在“用于图像分类的十亿规模半监督学习”论文中介绍的 ResNet 和 ResNext 模型
  • PyTorch-Transformers

流行的 NLP Transformer 的 PyTorch 实现
  • 用于脑 MRI 的 U-Net

具有批量归一化的 U-Net，用于生物医学图像分割，并具有用于脑 MRI 中异常分割的预训练权重
  • EfficientNet

EfficientNets 是一系列图像分类模型，它们实现了最先进的准确率，并且体积和速度都小了一个数量级……
  • ResNet50

使用 Tensor Core 以混合精度训练的 ResNet50 模型。
  • ResNeXt101

使用 Tensor Core 以混合精度训练的 ResNet，其中瓶颈 3x3 卷积被 3x3 分组卷积取代。
  • SE-ResNeXt101

添加了 Squeeze-and-Excitation 模块的 ResNeXt，使用 Tensor Core 以混合精度训练。
  • SSD

用于目标检测的 Single Shot MultiBox Detector 模型
  • Tacotron 2

用于根据文本生成梅尔谱图的 Tacotron 2 模型
  • WaveGlow

用于根据梅尔谱图（由 Tacotron2 生成）生成语音的 WaveGlow 模型
  • RoBERTa

一种稳健优化的 BERT 预训练方法
  • AlexNet

2012 年 ImageNet 竞赛的获胜者，其 top-5 错误率为 15.3%，比亚军低了 10.8 个百分点以上。
  • Densenet

密集卷积网络 (DenseNet)，以前馈方式将每一层连接到其他所有层。
  • FCN

具有 ResNet-50 和 ResNet-101 骨干网络的全卷积网络模型
  • GhostNet

通过从廉价操作生成更多特征来实现高效的网络
  • GoogLeNet

GoogLeNet 基于一个名为“Inception”的深度卷积神经网络架构，该架构赢得了 2014 年 ImageNet 竞赛。
  • HarDNet

在 ImageNet 上预训练的 Harmonic DenseNet
  • IBN-Net

具有域/外观不变性的网络
  • Inception_v3

也称为 GoogleNetv3，一个著名的在 2015 年 ImageNet 上训练的 ConvNet
  • MEAL_V2

使用知识蒸馏来提升小型高效模型。
  • MobileNet v2

针对速度和内存进行了优化的高效网络，具有残差块
  • ProxylessNAS

无代理地专门针对不同的硬件平台定制 CNN 架构。
  • ResNeSt

一种新的 ResNet 变体。
  • ResNet

在 ImageNet 上预训练的深度残差网络
  • ResNext

下一代 ResNets，更高效、更准确
  • ShuffleNet v2

一个针对速度和内存进行了优化的高效 ConvNet，在 ImageNet 上预训练
  • SNNMLP

具有脉冲神经元的类脑多层感知器
  • SqueezeNet

使用 50 倍的参数即可达到 Alexnet 级别的准确率。
  • vgg-nets

2014 年 ImageNet ILSVRC 挑战赛的获奖 ConvNets
  • Wide ResNet

宽残差网络
  • SimpleNet

保持简单，使用简单的架构来超越更深、更复杂的架构
所有研究模型 (52)

工作原理 —

发布模型

PyTorch Hub 支持通过添加一个简单的 hubconf.py 文件，将预训练模型（模型定义和预训练权重）发布到 GitHub 存储库。

加载模型

用户可以使用 torch.hub.load() API 加载预训练模型。

以下是一个示例，展示了如何从 pytorch/vision 存储库加载 resnet18 入口点。

model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)