Test Model

🚀 ResNet50 v1.5 图像分类模型

ResNet50 v1.5 是一款用于图像分类的模型，它在原始 ResNet50 v1 模型基础上进行了改进，提升了一定的准确性，可利用 NVIDIA GPU 架构的 Tensor Cores 进行混合精度训练，还能部署在 NVIDIA Triton 推理服务器上进行推理。

🚀 快速开始

本模型可用于图像分类任务，下面将介绍如何使用预训练的 ResNet50 v1.5 模型对图像进行推理并展示结果。

✨ 主要特性

• 改进版本：ResNet50 v1.5 是 原始 ResNet50 v1 模型 的改进版本，在瓶颈块的下采样操作上与 v1 有所不同，使得其准确率比 v1 略高（约 0.5% top1），但性能略有下降（约 5% imgs/sec）。
• 混合精度训练：该模型使用 Volta、Turing 和 NVIDIA Ampere GPU 架构上的 Tensor Cores 进行混合精度训练，研究人员可以比不使用 Tensor Cores 时快 2 倍以上得到结果，同时体验混合精度训练的好处。
• 一致性测试：该模型针对每个 NGC 月度容器版本进行测试，以确保随着时间的推移保持一致的准确性和性能。
• 可部署性：ResNet50 v1.5 模型可以使用 TorchScript、ONNX Runtime 或 TensorRT 作为执行后端，部署在 NVIDIA Triton 推理服务器 上进行推理。

📦 安装指南

运行示例需要安装一些额外的 Python 包，用于图像预处理和可视化：

!pip install validators matplotlib

💻 使用示例

基础用法

以下是使用预训练的 ResNet50 v1.5 模型对图像进行推理的示例代码：

import torch
from PIL import Image
import torchvision.transforms as transforms
import numpy as np
import json
import requests
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
print(f'Using {device} for inference')

加载在 IMAGENET 数据集上预训练的模型：

resnet50 = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_resnet50', pretrained=True)
utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_convnets_processing_utils')

resnet50.eval().to(device)

准备样本输入数据：

uris = [
    'http://images.cocodataset.org/test-stuff2017/000000024309.jpg',
    'http://images.cocodataset.org/test-stuff2017/000000028117.jpg',
    'http://images.cocodataset.org/test-stuff2017/000000006149.jpg',
    'http://images.cocodataset.org/test-stuff2017/000000004954.jpg',
]

batch = torch.cat(
    [utils.prepare_input_from_uri(uri) for uri in uris]
).to(device)

运行推理，使用 pick_n_best(predictions=output, n=topN) 辅助函数根据模型选择 N 个最可能的假设：

with torch.no_grad():
    output = torch.nn.functional.softmax(resnet50(batch), dim=1)
    
results = utils.pick_n_best(predictions=output, n=5)

显示结果：

for uri, result in zip(uris, results):
    img = Image.open(requests.get(uri, stream=True).raw)
    img.thumbnail((256,256), Image.ANTIALIAS)
    plt.imshow(img)
    plt.show()
    print(result)

📚 详细文档

有关模型输入和输出、训练方法、推理和性能的详细信息，请访问： github 和/或 NGC

📄 许可证

本项目采用 Apache-2.0 许可证。

🔗 参考资料

• 原始 ResNet50 v1 论文
• 深入研究整流器：在 ImageNet 分类上超越人类水平的性能
• GitHub 上的模型
• NGC 上的模型
• NGC 上的预训练模型