Mobilenet V2 1.0 224

🚀 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。它能够高效地处理图像分类任务，在移动设备上也能保持较低的延迟和功耗。该模型由Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov和Liang-Chieh Chen提出，相关论文为MobileNetV2: Inverted Residuals and Linear Bottlenecks，并首次发布于 此仓库。

🚀 快速开始

本模型可用于图像分类任务。你可以在 模型中心 查找针对特定任务微调后的版本。

如何使用

以下是使用该模型将COCO 2017数据集中的图像分类为1000个ImageNet类别之一的示例代码：

from transformers import MobileNetV2FeatureExtractor, MobileNetV2ForImageClassification
from PIL import Image
import requests

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

feature_extractor = MobileNetV2FeatureExtractor.from_pretrained("Matthijs/mobilenet_v2_1.0_224")
model = MobileNetV2ForImageClassification.from_pretrained("Matthijs/mobilenet_v2_1.0_224")

inputs = feature_extractor(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])

注意：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0）。目前，特征提取器和模型都支持PyTorch。

✨ 主要特性

• 轻量级设计：MobileNets是小型、低延迟、低功耗的模型，可根据不同用例的资源限制进行参数调整。
• 多功能性：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）。
• 高效运行：能够在移动设备上高效运行。
• 权衡性能：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

从 原始README 中可知：

MobileNets是小型、低延迟、低功耗的模型，可根据各种用例的资源限制进行参数调整。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。MobileNets可以在移动设备上高效运行 [...] MobileNets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_1.0_224，其中 1.0 是深度乘数，224 是模型训练时输入图像的分辨率。

预期用途和局限性

你可以使用原始模型进行图像分类。可在 模型中心 查找针对你感兴趣的任务微调后的版本。

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

许可证类型：other