Efficientnet B7

🚀 EfficientNet (b7模型)

EfficientNet是一个在图像分类领域表现出色的模型。它基于ImageNet - 1k数据集，以600x600的分辨率进行训练，能高效准确地对图像进行分类。

🚀 快速开始

EfficientNet模型可用于图像分类任务。你可以在模型中心查找针对你感兴趣任务的微调版本。

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：

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-b7")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b7")

inputs = preprocessor(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]),

更多代码示例请参考文档。

✨ 主要特性

EfficientNet是一种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，使用简单而高效的复合系数统一缩放深度、宽度和分辨率的所有维度。

💻 使用示例

基础用法

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-b7")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b7")

inputs = preprocessor(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]),

📚 详细文档

EfficientNet模型由Mingxing Tan和Quoc V. Le在论文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks中提出，并首次在此仓库发布。

免责声明

发布EfficientNet的团队并未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。

📄 许可证

本项目采用Apache - 2.0许可证。

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}
}