Efficientnet B7

🚀 EfficientNet (b7模型)

EfficientNet是一個在圖像分類領域表現出色的模型。它基於ImageNet - 1k數據集，以600x600的分辨率進行訓練，能高效準確地對圖像進行分類。

🚀 快速開始

EfficientNet模型可用於圖像分類任務。你可以在模型中心查找針對你感興趣任務的微調版本。

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：

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-b7")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b7")

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

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

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

更多代碼示例請參考文檔。

✨ 主要特性

EfficientNet是一種對移動設備友好的純卷積模型（ConvNet），它提出了一種新的縮放方法，使用簡單而高效的複合係數統一縮放深度、寬度和分辨率的所有維度。

💻 使用示例

基礎用法

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-b7")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b7")

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

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

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

📚 詳細文檔

EfficientNet模型由Mingxing Tan和Quoc V. Le在論文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks中提出，並首次在此倉庫發佈。

免責聲明

發佈EfficientNet的團隊並未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。

📄 許可證

本項目採用Apache - 2.0許可證。

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}
}