mobilenet_v2

torchvision.models.quantization.mobilenet_v2(*, weights: Optional[Union[MobileNet_V2_QuantizedWeights, MobileNet_V2_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableMobileNetV2

从 MobileNetV2: Inverted Residuals and Linear Bottlenecks 构建 MobileNetV2 架构。

注意

请注意，quantize = True 返回一个具有 8 位权重的量化模型。量化模型仅支持推理，并在 CPU 上运行。尚不支持 GPU 推理。

参数:

• weights (MobileNet_V2_QuantizedWeights 或 MobileNet_V2_Weights, optional) – 模型的预训练权重。有关更多详细信息和可能的值，请参见下方的 MobileNet_V2_QuantizedWeights。默认情况下，不使用预训练权重。

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

• quantize (bool, optional) – 如果为 True，则返回模型的量化版本。默认为 False。

• **kwargs – 传递给 torchvision.models.quantization.QuantizableMobileNetV2 基类的参数。有关此类别的更多详细信息，请参阅 源代码。

class torchvision.models.quantization.MobileNet_V2_QuantizedWeights(value)

上面的模型构建器接受以下值作为 weights 参数。MobileNet_V2_QuantizedWeights.DEFAULT 等效于 MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1。您还可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_QNNPACK_V1'。

MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1:

这些权重是通过在下面列出的未量化权重之上进行量化感知训练（eager 模式）生成的。也可作为 MobileNet_V2_QuantizedWeights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	71.658
acc@5 (在 ImageNet-1K 上)	90.15
num_params	3504872
min_size	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
后端	qnnpack
配方	链接
未量化	MobileNet_V2_Weights.IMAGENET1K_V1
GIPS	0.30
文件大小	3.4 MB

推理转换可在 MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像被调整大小为 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR，然后进行中心裁剪 crop_size=[224]。最后，值首先被重新缩放到 [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。

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。您还可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MobileNet_V2_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方，紧密地再现了论文的结果。

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
类别	tench, goldfish, great white shark, … (省略 997 个)
配方	链接
GFLOPS	0.30
文件大小	13.6 MB

推理转换可在 MobileNet_V2_Weights.IMAGENET1K_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像被调整大小为 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR，然后进行中心裁剪 crop_size=[224]。最后，值首先被重新缩放到 [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:

这些权重通过使用 TorchVision 修改后的 新训练配方，改进了原始论文的结果。也可作为 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
类别	tench, goldfish, great white shark, … (省略 997 个)
配方	链接
GFLOPS	0.30
文件大小	13.6 MB

推理转换可在 MobileNet_V2_Weights.IMAGENET1K_V2.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像被调整大小为 resize_size=[232]，使用 interpolation=InterpolationMode.BILINEAR，然后进行中心裁剪 crop_size=[224]。最后，值首先被重新缩放到 [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。