Mobilenet V2 1.0 224

🚀 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，在移動設備上也能保持較低的延遲和功耗。該模型由Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov和Liang-Chieh Chen提出，相關論文為MobileNetV2: Inverted Residuals and Linear Bottlenecks，並首次發佈於 此倉庫。

🚀 快速開始

本模型可用於圖像分類任務。你可以在 模型中心 查找針對特定任務微調後的版本。

如何使用

以下是使用該模型將COCO 2017數據集中的圖像分類為1000個ImageNet類別之一的示例代碼：

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

# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

注意：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，可根據不同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）。
• 高效運行：能夠在移動設備上高效運行。
• 權衡性能：在延遲、模型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。

📚 詳細文檔

模型描述

從 原始README 中可知：

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。

預期用途和侷限性

你可以使用原始模型進行圖像分類。可在 模型中心 查找針對你感興趣的任務微調後的版本。

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

許可證類型：other