🚀 MobileNet V2
MobileNet V2是一個在ImageNet - 1k數據集上以224x224分辨率預訓練的模型。它能夠高效地處理圖像分類任務,在資源受限的設備上也能有出色表現。
🚀 快速開始
你可以使用這個預訓練的模型進行圖像分類。下面是一個使用示例,展示瞭如何將COCO 2017數據集中的一張圖像分類到1000個ImageNet類別之一:
from transformers import MobileNetV2FeatureExtractor, MobileNetV2ForImageClassification
from PIL import Image
import requests
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = MobileNetV2FeatureExtractor.from_pretrained("Matthijs/mobilenet_v2_1.0_224")
model = MobileNetV2ForImageClassification.from_pretrained("Matthijs/mobilenet_v2_1.0_224")
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])
⚠️ 重要提示
此模型實際上預測1001個類別,即1000個ImageNet類別加上一個額外的“背景”類別(索引為0)。目前,特徵提取器和模型都支持PyTorch。
✨ 主要特性
- 輕量級設計:MobileNets是小型、低延遲、低功耗的模型,可根據各種用例的資源限制進行參數調整。
- 多功能性:可用於分類、檢測、嵌入和分割等任務,類似於其他流行的大規模模型(如Inception)。
- 高效性:能夠在移動設備上高效運行,在延遲、模型大小和準確性之間進行權衡。
📚 詳細文檔
模型描述
根據原始README:
MobileNets是小型、低延遲、低功耗的模型,可根據各種用例的資源限制進行參數調整。它們可以像其他流行的大規模模型(如Inception)一樣,用於分類、檢測、嵌入和分割等任務。MobileNets可以在移動設備上高效運行 [...] MobileNets在延遲、大小和準確性之間進行權衡,與文獻中的流行模型相比具有優勢。
檢查點命名為mobilenet_v2_depth_size,例如mobilenet_v2_1.0_224,其中1.0是深度乘數,224是模型訓練時輸入圖像的分辨率。
預期用途和限制
你可以使用原始模型進行圖像分類。你可以在模型中心查找針對你感興趣的任務進行微調的版本。
BibTeX引用和引用信息
@inproceedings{mobilenetv22018,
title={MobileNetV2: Inverted Residuals and Linear Bottlenecks},
author={Mark Sandler and Andrew Howard and Menglong Zhu and Andrey Zhmoginov and Liang-Chieh Chen},
booktitle={CVPR},
year={2018}
}
📄 許可證
本項目採用其他許可證。
屬性 |
詳情 |
模型類型 |
圖像分類模型 |
訓練數據 |
ImageNet - 1k |
以下是一些示例圖像,你可以通過點擊它們來測試模型: