mobilenet_v2

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

来自 MobileNetV2：倒置残差和线性瓶颈 论文的 MobileNetV2 架构。

参数:

• weights (MobileNet_V2_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能的取值，请参见下面的 MobileNet_V2_Weights。默认情况下，不使用任何预训练权重。

• progress (bool, 可选) – 如果为 True，则在 stderr 上显示下载进度条。默认值为 True。

• **kwargs – 传递给 torchvision.models.mobilenetv2.MobileNetV2 基类的参数。有关此类的更多详细信息，请参阅 源代码。

class torchvision.models.MobileNet_V2_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 MobileNet_V2_Weights.DEFAULT 等效于 MobileNet_V2_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MobileNet_V2_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案，可以很好地重现论文的结果。

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
categories	tench, goldfish, great white shark, … (省略 997)
recipe	link
GFLOPS	0.30
文件大小	13.6 MB

推理转换在 MobileNet_V2_Weights.IMAGENET1K_V1.transforms 中可用，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小至 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，将值先重新缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

MobileNet_V2_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 的 新训练方案 的修改版，改进了原始论文的结果。也可以作为 MobileNet_V2_Weights.DEFAULT 使用。

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
categories	tench, goldfish, great white shark, … (省略 997)
recipe	link
GFLOPS	0.30
文件大小	13.6 MB

推理转换在 MobileNet_V2_Weights.IMAGENET1K_V2.transforms 中可用，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小至 resize_size=[232]，然后进行 crop_size=[224] 的中心裁剪。最后，将值先重新缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。