快捷方式

mobilenet_v2

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

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)[源代码]

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'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]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]std=[0.229, 0.224, 0.225] 进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并解答问题

查看资源