Rexnet2 0x

🚀 ReXNet-2.0x模型

该模型在ImageNette数据集上进行了预训练。ReXNet架构在这篇论文中被首次提出。它主要用于图像分类任务，借助定制的Squeeze - Excitation层有效避免通道冗余问题。

🚀 快速开始

ReXNet - 2.0x模型是一个预训练的图像分类模型，在ImageNette数据集上进行了训练。你可以按照以下步骤安装和使用该模型。

✨ 主要特性

• 预训练：在ImageNette数据集上进行预训练。
• 创新架构：作者的核心思想是在残差块中添加定制的Squeeze - Excitation层，以防止通道冗余。

📦 安装指南

前提条件

安装Holocron需要Python 3.6（或更高版本）以及pip/conda。

最新稳定版本

你可以使用pypi安装该包的最新稳定版本，命令如下：

pip install pylocron

或者使用conda安装：

conda install -c frgfm pylocron

开发模式

如果你想使用项目中尚未发布的最新功能，可以从源代码安装该包（首先安装Git）：

git clone https://github.com/frgfm/Holocron.git
pip install -e Holocron/.

💻 使用示例

基础用法

from PIL import Image
from torchvision.transforms import Compose, ConvertImageDtype, Normalize, PILToTensor, Resize
from torchvision.transforms.functional import InterpolationMode
from holocron.models import model_from_hf_hub

model = model_from_hf_hub("frgfm/rexnet2_0x").eval()

img = Image.open(path_to_an_image).convert("RGB")

# 预处理
config = model.default_cfg
transform = Compose([
    Resize(config['input_shape'][1:], interpolation=InterpolationMode.BILINEAR),
    PILToTensor(),
    ConvertImageDtype(torch.float32),
    Normalize(config['mean'], config['std'])
])

input_tensor = transform(img).unsqueeze(0)

# 推理
with torch.inference_mode():
    output = model(input_tensor)
probs = output.squeeze(0).softmax(dim=0)

📚 详细文档

模型描述

作者的核心思想是在残差块中添加定制的Squeeze - Excitation层，以防止通道冗余。

📄 许可证

本项目采用Apache - 2.0许可证。

📚 引用

原论文

@article{DBLP:journals/corr/abs-2007-00992,
  author    = {Dongyoon Han and
               Sangdoo Yun and
               Byeongho Heo and
               Young Joon Yoo},
  title     = {ReXNet: Diminishing Representational Bottleneck on Convolutional Neural
               Network},
  journal   = {CoRR},
  volume    = {abs/2007.00992},
  year      = {2020},
  url       = {https://arxiv.org/abs/2007.00992},
  eprinttype = {arXiv},
  eprint    = {2007.00992},
  timestamp = {Mon, 06 Jul 2020 15:26:01 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2007-00992.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

本实现的来源

@software{Fernandez_Holocron_2020,
author = {Fernandez, François - Guillaume},
month = {5},
title = {{Holocron}},
url = {https://github.com/frgfm/Holocron},
year = {2020}
}