Efficientnet B2

🚀 高效网络（b2模型）

EfficientNet是一个在ImageNet - 1k数据集上以260x260分辨率训练的模型。它能有效进行图像分类，为相关领域研究和应用提供了有力支持。

🚀 快速开始

EfficientNet模型由Mingxing Tan和Quoc V. Le在论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中提出，并首次在 此仓库 发布。需要注意的是，发布EfficientNet的团队并未为此模型撰写模型卡片，本模型卡片由Hugging Face团队编写。

✨ 主要特性

EfficientNet是一种对移动设备友好的纯卷积模型（ConvNet），它提出了一种新的缩放方法，使用简单而高效的复合系数统一缩放深度、宽度和分辨率的所有维度。

📚 详细文档

预期用途和限制

你可以使用原始模型进行图像分类。可以在 模型中心 查找针对你感兴趣的任务进行微调的版本。

如何使用

以下是如何使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例：

import torch
from datasets import load_dataset
from transformers import EfficientNetImageProcessor, EfficientNetForImageClassification

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

preprocessor = EfficientNetImageProcessor.from_pretrained("google/efficientnet-b2")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b2")

inputs = preprocessor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

# 模型预测1000个ImageNet类别之一
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

更多代码示例请参考 文档。

BibTeX引用和引用信息

@article{Tan2019EfficientNetRM,
  title={EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks},
  author={Mingxing Tan and Quoc V. Le},
  journal={ArXiv},
  year={2019},
  volume={abs/1905.11946}
}

📄 许可证

本项目采用Apache - 2.0许可证。

示例展示

• 老虎
• 茶壶
• 宫殿