Resnet 50

🚀 ResNet-50 v1.5

ResNet-50 v1.5是一個在ImageNet-1k數據集上以224x224分辨率進行預訓練的模型。它能有效用於圖像分類任務，為圖像識別領域提供了強大的支持。

🚀 快速開始

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普及化，使得訓練更深層次的模型成為可能。

這裡展示瞭如何使用該模型將COCO 2017數據集中的一張圖像分類到1000個ImageNet類別之一：

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

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

processor = AutoImageProcessor.from_pretrained("microsoft/resnet-50")
model = ResNetForImageClassification.from_pretrained("microsoft/resnet-50")

inputs = processor(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

• 殘差學習與跳躍連接：ResNet將殘差學習和跳躍連接的概念普及化，使得訓練更深層次的模型成為可能。
• 版本差異：這是ResNet v1.5版本，與原始模型不同的是，在需要下采樣的瓶頸塊中，v1在第一個1x1卷積中步長為2，而v1.5在3x3卷積中步長為2。根據Nvidia的說法，這種差異使ResNet50 v1.5比v1略微準確（前1準確率約高0.5%），但會有輕微的性能損失（約5%的圖像/秒）。

📚 詳細文檔

預期用途與限制

你可以使用原始模型進行圖像分類。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引用與引用信息

@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

本模型採用Apache-2.0許可證。

免責聲明：發佈ResNet的團隊並未為該模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。