Resnet 101

🚀 ResNet-101 v1.5

ResNet-101 v1.5 是一個在 ImageNet-1k 數據集上以 224x224 分辨率預訓練的模型。它由 He 等人在論文 Deep Residual Learning for Image Recognition 中提出，可用於圖像分類任務。

🚀 快速開始

你可以使用該模型對圖像進行分類。若想尋找針對特定任務微調後的版本，可查看 模型中心。

✨ 主要特性

• 殘差學習與跳躍連接：ResNet（殘差網絡）是一種卷積神經網絡，它將殘差學習和跳躍連接的概念推廣開來，使得訓練更深層次的模型成為可能。
• v1.5 版本改進：此為 ResNet v1.5 版本，與原始模型有所不同。在需要下采樣的瓶頸塊中，v1 版本在第一個 1x1 卷積中步長為 2，而 v1.5 版本在 3x3 卷積中步長為 2。根據 Nvidia 的研究，這一差異使 ResNet50 v1.5 比 v1 版本的準確率略高（前 1 準確率約高 0.5%），但會帶來輕微的性能損失（約 5% 的每秒處理圖像數）。

💻 使用示例

基礎用法

以下是如何使用該模型將 COCO 2017 數據集中的一張圖像分類到 1000 個 ImageNet 類別之一的示例代碼：

from transformers import AutoFeatureExtractor, ResNetForImageClassification
import torch
from datasets import load_dataset

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

feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/resnet-101")
model = ResNetForImageClassification.from_pretrained("microsoft/resnet-101")

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

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

# 模型預測 1000 個 ImageNet 類別之一
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

更多代碼示例可參考 文檔。

📚 詳細文檔

BibTeX 引用和引用信息

@inproceedings{he2016deep,
  title={Deep residual learning for image recognition},
  author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
  booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
  pages={770--778},
  year={2016}
}

📄 許可證

本模型使用 Apache-2.0 許可證。

📦 模型信息