Mobilenet V2 1.4 224

🚀 MobileNet V2

MobileNet V2是一个在ImageNet - 1k数据集上以224x224分辨率预训练的模型。它由Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov和Liang - Chieh Chen在论文MobileNetV2: Inverted Residuals and Linear Bottlenecks中提出，并首次在此仓库发布。该模型可用于图像分类等视觉任务，能在不同资源约束下高效运行。

🚀 快速开始

你可以使用这个预训练的模型进行图像分类任务。下面是一个使用示例，展示了如何将COCO 2017数据集中的一张图像分类到1000个ImageNet类别之一：

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

preprocessor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.4_224")
model = AutoModelForImageClassification.from_pretrained("google/mobilenet_v2_1.4_224")

inputs = preprocessor(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])

⚠️ 重要提示

此模型实际上预测1001个类别，即1000个ImageNet类别加上一个额外的“背景”类别（索引为0）。

💡 使用建议

目前，特征提取器和模型都支持PyTorch。你可以在模型中心查找针对你感兴趣任务的微调版本。

✨ 主要特性

• MobileNet系列模型体积小、延迟低、功耗低，可根据不同用例的资源约束进行参数调整。
• 可用于分类、检测、嵌入和分割等任务，类似于其他流行的大规模模型（如Inception）。
• 能在移动设备上高效运行，在延迟、模型大小和准确性之间进行权衡，与文献中的流行模型相比具有优势。

📚 详细文档

模型描述

根据原始README：

MobileNet是小型、低延迟、低功耗的模型，可根据各种用例的资源约束进行参数设置。它们可以像其他流行的大规模模型（如Inception）一样，用于分类、检测、嵌入和分割等任务。MobileNet可以在移动设备上高效运行 [...] MobileNet在延迟、大小和准确性之间进行权衡，与文献中的流行模型相比具有优势。

检查点命名为mobilenet_v2_depth_size，例如mobilenet_v2_1.4_224，其中1.4是深度乘数，224是模型训练时输入图像的分辨率。

预期用途和限制

你可以使用原始模型进行图像分类。你可以在模型中心查找针对你感兴趣任务的微调版本。

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}
}

📄 许可证

该模型使用其他许可证。