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

用于计算单张图像相对深度的 MiDaS 模型。
  • ntsnet

使用此细粒度图像分类器对鸟类进行分类
  • FastPitch 2

用于从文本生成 Mel 频谱图的 FastPitch 模型
  • GPUNet

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

用于从 Mel 频谱图生成波形的 HiFi GAN 模型
  • Once-for-All

Once-for-all (OFA) 解耦了训练和搜索，并在各种边缘设备和资源约束下实现了高效推理。
  • Open-Unmix

音乐源分离的参考实现
  • Silero Speech-To-Text ...

一套紧凑的企业级多语言预训练 STT 模型。
  • Silero Text-To-Speech ...

一套紧凑的企业级多语言预训练 TTS 模型
  • Silero Voice Activity ...

预训练语音活动检测器
  • YOLOv5

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

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

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

使用十亿级弱监督数据训练的 ResNext 模型。
  • FashionGen 上的 DCGAN

用于 64x64 图像的简单生成式图像模型
  • 渐进式增长的...

时尚、名人面部的高质量图像生成
  • 半监督和自...

在《十亿级半监督图像分类学习》论文中介绍的 ResNet 和 ResNext 模型
  • PyTorch-Transformers

流行的自然语言处理 Transformer 的 PyTorch 实现
  • 用于脑部 MRI 的 U-Net

带批量归一化的 U-Net，用于生物医学图像分割，包含用于脑部 MRI 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性，同时尺寸和速度方面有数量级的提升....
  • ResNet50

使用 Tensor Cores 进行混合精度训练的 ResNet50 模型。
  • ResNeXt101

瓶颈处的 3x3 卷积替换为 3x3 分组卷积的 ResNet，使用 Tensor Cores 进行混合精度训练。
  • SE-ResNeXt101

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

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

用于从文本生成 Mel 频谱图的 Tacotron 2 模型
  • WaveGlow

用于从 Mel 频谱图生成语音的 WaveGlow 模型（由 Tacotron2 生成）
  • RoBERTa

一种稳健优化的 BERT 预训练方法
  • AlexNet

2012 年 ImageNet 冠军模型，其 top-5 错误率为 15.3%，比亚军低 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

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

通过廉价操作生成更多特征的高效网络
  • GoogLeNet

GoogLeNet 基于代号为“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 GoogleNetv3，一个在 2015 年在 ImageNet 上训练的著名 ConvNet
  • MEAL_V2

使用知识蒸馏提升微小和高效模型。
  • MobileNet v2

优化速度和内存的高效网络，带有残差块
  • ProxylessNAS

无代理地为不同硬件平台专门化 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

优化速度和内存的高效 ConvNet，在 ImageNet 上预训练
  • SNNMLP

受脑启发的脉冲神经元多层感知器
  • SqueezeNet

参数量减少 50 倍达到 Alexnet 级别的准确性。
  • vgg-nets

赢得 2014 年 ImageNet ILSVRC 挑战赛的 ConvNets
  • Wide ResNet

宽残差网络
  • SimpleNet

保持简单，使用简单架构超越更深、更复杂的架构
所有研究模型 (52)

工作原理 —

发布模型

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

加载模型

用户可以使用 torch.hub.load() API 加载预训练模型。

以下是加载 pytorch/vision 仓库中的 resnet18 入口点 的示例。

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