快捷方式

mobilenet_v2

torchvision.models.mobilenet_v2(*, weights: Optional[MobileNet_V2_Weights] = None, progress: bool = True, **kwargs: Any) MobileNetV2[source]

来自《MobileNetV2: Inverted Residuals and Linear Bottlenecks》论文的 MobileNetV2 架构。

参数:
  • weights (MobileNet_V2_Weights, 可选) – 要使用的预训练权重。请参阅下方的 MobileNet_V2_Weights 以了解更多详细信息和可能的值。默认情况下,不使用预训练权重。

  • progress (bool, 可选) – 如果为 True,则在标准错误输出 (stderr) 中显示下载进度条。默认值为 True。

  • **kwargs – 传递给 torchvision.models.mobilenetv2.MobileNetV2 基类的参数。请参阅源代码了解此类的更多详细信息。

class torchvision.models.MobileNet_V2_Weights(value)[source]

上述模型构建器接受以下值作为 weights 参数。MobileNet_V2_Weights.DEFAULT 等同于 MobileNet_V2_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

MobileNet_V2_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案能较好地重现论文结果。

acc@1 (在 ImageNet-1K 上)

71.878

acc@5 (在 ImageNet-1K 上)

90.286

num_params

3504872

min_size

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, ... (省略 997 个)

训练方案

链接

GFLOPS

0.30

文件大小

13.6 MB

推理变换可在 MobileNet_V2_Weights.IMAGENET1K_V1.transforms 获取,并执行以下预处理操作:接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整到 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。最后,先将值重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

MobileNet_V2_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 新训练方案的修改版本,改进了原始论文的结果。也可用作 MobileNet_V2_Weights.DEFAULT

acc@1 (在 ImageNet-1K 上)

72.154

acc@5 (在 ImageNet-1K 上)

90.822

num_params

3504872

min_size

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, ... (省略 997 个)

训练方案

链接

GFLOPS

0.30

文件大小

13.6 MB

推理变换可在 MobileNet_V2_Weights.IMAGENET1K_V2.transforms 获取,并执行以下预处理操作:接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整到 resize_size=[232],然后进行 crop_size=[224] 的中心裁剪。最后,先将值重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

文档

查阅 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源