Efficientnet B1

🚀 EfficientNet (b1模型)

EfficientNet是一个在图像分类任务中表现出色的模型。它基于ImageNet - 1k数据集，以240x240的分辨率进行训练，能够高效准确地对图像进行分类。

🚀 快速开始

EfficientNet是一个对移动设备友好的纯卷积模型（ConvNet），它提出了一种新的缩放方法，使用一个简单但非常有效的复合系数来统一缩放深度、宽度和分辨率的所有维度。

你可以使用原始模型进行图像分类。访问模型中心，查找你感兴趣任务的微调版本。

如何使用

以下是如何使用此模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例：

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-b1")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b1")

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

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

# 模型预测1000个ImageNet类别之一
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

更多代码示例，请参考文档。

✨ 主要特性

• 提出了一种新的缩放方法，能统一缩放深度、宽度和分辨率的所有维度。
• 对移动设备友好，是纯卷积模型。

📄 许可证

本项目采用Apache - 2.0许可证。

📚 详细文档

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}
}

免责声明

发布EfficientNet的团队没有为此模型编写模型卡片，因此此模型卡片由Hugging Face团队编写。

信息表格

示例展示

• 老虎示例
• 茶壶示例
• 宫殿示例