快捷方式

mobilenet_v3_large

torchvision.models.mobilenet_v3_large(*, weights: Optional[MobileNet_V3_Large_Weights] = None, progress: bool = True, **kwargs: Any) MobileNetV3[源代码]

根据 Searching for MobileNetV3 构建大型 MobileNetV3 架构。

参数:
  • weights (MobileNet_V3_Large_Weights,可选) – 要使用的预训练权重。有关详细信息和可能的取值,请参阅下面的 MobileNet_V3_Large_Weights。默认情况下,不使用任何预训练权重。

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

  • **kwargs – 传递给 torchvision.models.mobilenet.MobileNetV3 基类的参数。有关此类的详细信息,请参阅 源代码

class torchvision.models.MobileNet_V3_Large_Weights(value)[源代码]

上面的模型构建器接受以下取值作为 weights 参数。 MobileNet_V3_Large_Weights.DEFAULT 等效于 MobileNet_V3_Large_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

MobileNet_V3_Large_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案从头开始进行训练。

acc@1 (在 ImageNet-1K 上)

74.042

acc@5 (在 ImageNet-1K 上)

91.34

最小尺寸

高度=1,宽度=1

类别

金鱼,大白鲨,… (省略 997)

参数数量

5483032

方案

链接

GFLOPS

0.22

文件大小

21.1 MB

推理变换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V1.transforms 中找到,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] 进行标准化。

MobileNet_V3_Large_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 修改版 新训练方案 对原始论文的结果进行了轻微改进。也可以使用 MobileNet_V3_Large_Weights.DEFAULT

acc@1 (在 ImageNet-1K 上)

75.274

acc@5 (在 ImageNet-1K 上)

92.566

最小尺寸

高度=1,宽度=1

类别

金鱼,大白鲨,… (省略 997)

参数数量

5483032

方案

链接

GFLOPS

0.22

文件大小

21.1 MB

推理变换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V2.transforms 中找到,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] 进行标准化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适用于初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并解答问题

查看资源