EfficientNet-Lite 结构图及代码实现

BILLY BILLY

于 2024-08-21 17:57:00 发布

阅读量3

点赞数

分类专栏： YOLOv8系列文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/m0_51579041/article/details/141399751

版权

YOLOv8系列专栏收录该内容

27 篇文章 88 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

结构图

在这里插入图片描述

代码

import math
import torch
from torch import nn
import torch.functional as F


efficientnet_lite_params = {
   
    # width_coefficient, depth_coefficient, image_size

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

BILLY BILLY

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
EfficientNet-Lite 结构图及代码实现

EfficientNet-Lite 结构图及代码实现
复制链接

扫一扫

专栏目录

订阅专栏

EfficientNet-Lite:EfficientNet-lite的Pytorch实现。提供ImageNet预训练模型

05-09

在EfficientNet-Lite中，所有的SE模块均被删除，所有的交换层都被ReLU6取代。对于边缘设备，它比EfficientNet-B系列更友好。型号详情：模型参量MAdds Top1 Acc（官方） Top1 Acc（此回购）前5名efficiencynet-...

EfficientNet-lite详解：当前最强移动端轻量神经网络

热门推荐

AI人工智能与大数据

03-26

1万+

概述 3.17日谷歌在 GitHub 与 TFHub 上同步发布了 EfficientNet-lite，EfficientNet的端侧版本，运行在 TensorFlow Lite 上，针对端侧 CPU、GPU 和 EdgeTPU 做了优化。EfficientNet-lite提供五个不同版本（EfficientNet-lite0~4），让用户能够根据自己的应用场景和资源情况在延迟、参数量和精度之间...

参与评论您还未登录，请先登录后发表或查看评论

CornerNet-Lite: Efficient Keypoint Based Object Detection

noiplcx的博客

05-29

570

目录摘要介绍算法Saccade新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入摘要在物体检测中，基于关键点是...

推荐高效模型实现：Gen-EfficientNet-PyTorch

gitblog_00061的博客

04-25

388

EfficientNet理论讲解

Le0v1n 的博客

05-26

1725

EfficientNet理论讲解

gen-efficientnet-pytorch:预先训练的EfficientNet，EfficientNet-Lite，MixNet，MobileNetV3 V2，MNASNet A1和B1，FBNet，单路径NAS

04-29

添加由提供的PyTorch训练有素的EfficientNet-Lite0（75.5 top-1）更新ONNX和Caffe2导出/实用程序脚本以与最新的PyTorch / ONNX一起使用添加了基于ONNX运行时的验证脚本激活（大多数情况下）与timm等效项同

efficientnet-lite3.tar.gz

04-02

efficientnet-lite3.tar.gz

efficientnet-lite2.tar.gz

04-02

总的来说，EfficientNet-Lite2是深度学习领域的一个重要里程碑，它将高效的模型设计与移动平台的性能需求紧密结合，为开发者提供了在资源受限的环境下实现高性能视觉应用的可能。通过理解和运用这一模型，我们可以更...

efficientnet-lite0.tar.gz

04-02

3. 扁平化设计：EfficientNet-Lite0采用了扁平化的网络结构，减少了模型层次，有利于在小内存设备上高效运行。 4. Sequeeze-and-Excitation模块：为了增强模型的特征选择能力，EfficientNet-Lite0在MBConv块中引入...

「Pytorch」解析 nn.Embedding 词嵌入及反推输入

绿色羽毛

08-14

435

在Pytorch里面有三种编码方式，Embedding 就是其中之一，不同于 one_hot 需要用同长度的张量存 Embedding将单词映射为稠密向量，并且指定 embedding_dim维度。通过 Embedding层转换的数据并不是经过词典映射的，而是原始数据。Embedding的输出可以作为神经网络的输入，进一步进行训练和处理。在深度学习中，Embedding是将离散的输入映射为连续的向量表示的一种技术。它在自然语言处理和推荐系统等任务中广泛使用。其实一般就是前用两个参数。

【PyTorch】关于Transforms的简单使用

最新发布

Q20011102的博客

08-21

342

【PyTorch】关于Transforms的简单使用

pytorch-CUDA版环境安装

欧神的博客

08-18

450

直接使用pip 安装torch的话,安装的是cpu版本,无法使用cuda,跑起来会很卡。如果首页没有合适的版本,则从图中标记 2处链接找到合适自己的版本。安装cuda版本,需要找到对应的cuda版本的torch。首先确认自己的cuda版本,然后去官网 () 找到对应的torch版本。或者去其他的下载源下载啊。打印true表示安装成功!

【鼠鼠学AI代码合集#4】简单的数据预处理（pytorch）

S.Ybling

08-21

348

简单的数据预处理（pytorch）

模型训练坎坷路--逐步提升模型准确率从40%到90%+

m0_56243424的博客

08-15

927

剪枝实验的基准得是一个微调好的准确率保持较高的模型，按照我之前yolov5的经验来看，这还不简单?选模型+合适的数据集，20轮就OK!我计划使用 ResNet-18模型加上Cifar-10数据集，训练轮次100轮，准确度达到95%我就立马停下。可是过程却不大对劲，都20轮了我的准确率还是40%上下窜，一点进步的痕迹都没有，于是，果断按下停止键…from torchvision import models # 引入torchvision.modelstry:def train(

【PyTorch】关于Tensorboard的简单使用

Q20011102的博客

08-21

283

【PyTorch】关于Tensorboard的简单使用

构建自己的图数据集

weixin_64443786的博客

08-18

144

GNN

加速samout

东方佑

08-18

188

【代码】加速samout。

PyTorch——Dataloader使用

m0_73991249的博客

08-21

209

前面我在写PyTorch的第一篇文章里讲过Dataset是啥，Dataset就是将数据集分类，并且分析出这些数据集它的位置哪、大小多少、这个数据集一共有多少数据......等等信息那么把Dataset比作一副扑克牌，那么如果你就让这副牌放在桌子那不去取牌，那你怎么打牌？Dataloader就是做【取牌】这个操作，就是去【读取数据】

我有标注好的xml格式数据集，帮我写个可以训练识别出人，球，鞋子这三类物体的目标检测代码，使用 EfficientNet-Lite0 模型进行训练

05-05

好的，您需要使用 TensorFlow Object Detection API 来训练一个目标检测模型。以下是基本的步骤： 1. 安装 TensorFlow Object Detection API 首先，您需要安装 TensorFlow Object Detection API。请按照这个[链接](https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/install.html)中的说明进行操作。您需要安装 TensorFlow 2.x 和其他必要的软件包。 2. 准备数据集您需要准备一个 XML 格式的数据集，其中包含带有边界框的图像，每个边界框都有一个类别标签。您可以将其转换为 TensorFlow Object Detection API 支持的 CSV 或 TFRecord 格式。以下是一个 CSV 的样例： ``` filename,width,height,class,xmin,ymin,xmax,ymax image1.jpg,640,480,person,10,20,200,300 image1.jpg,640,480,ball,300,150,400,250 image2.jpg,640,480,shoe,50,100,200,400 ... ``` 3. 配置模型您需要选择一个模型并进行配置。这里我们将使用 EfficientNet-Lite0 模型。您可以从[这里](https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md)下载预训练模型。将下载的模型解压并将其路径添加到 PYTHONPATH 环境变量中。下一步是创建一个 .config 文件，该文件包含模型的配置信息。这里是一个样例： ``` model { ssd { num_classes: 3 image_resizer { fixed_shape_resizer { height: 224 width: 224 } } feature_extractor { type: "efficientnet_lite0" } box_coder { faster_rcnn_box_coder { y_scale: 10.0 x_scale: 10.0 height_scale: 5.0 width_scale: 5.0 } } matcher { argmax_matcher { matched_threshold: 0.5 unmatched_threshold: 0.5 ignore_thresholds: false negatives_lower_than_unmatched: true force_match_for_each_row: true } } similarity_calculator { iou_similarity { } } box_predictor { convolutional_box_predictor { min_depth: 0 max_depth: 0 num_layers_before_predictor: 0 use_dropout: false dropout_keep_probability: 1.0 kernel_size: 3 box_code_size: 4 apply_sigmoid_to_scores: false } } anchor_generator { ssd_anchor_generator { num_layers: 6 min_scale: 0.2 max_scale: 0.95 aspect_ratios: 1.0 aspect_ratios: 2.0 aspect_ratios: 0.5 aspect_ratios: 3.0 aspect_ratios: 0.3333 } } post_processing { batch_non_max_suppression { score_threshold: 0.5 iou_threshold: 0.5 max_detections_per_class: 100 max_total_detections: 100 } score_converter: SIGMOID } normalize_loss_by_num_matches: true loss { classification_loss { weighted_sigmoid { anchorwise_output: true } } localization_loss { weighted_smooth_l1 { anchorwise_output: true } } hard_example_miner { num_hard_examples: 3000 iou_threshold: 0.99 loss_type: CLASSIFICATION max_negatives_per_positive: 3 min_negatives_per_image: 0 } classification_weight: 1.0 localization_weight: 1.0 } } } train_config { batch_size: 16 data_augmentation_options { random_horizontal_flip { } } data_augmentation_options { random_crop_image { min_aspect_ratio: 0.75 max_aspect_ratio: 1.0 random_coef: 0.25 } } optimizer { momentum_optimizer { learning_rate { cosine_decay_learning_rate { learning_rate_base: 0.1 total_steps: 10000 warmup_learning_rate: 0.006666 warmup_steps: 500 } } momentum_optimizer_value: 0.9 } use_moving_average: false } fine_tune_checkpoint_type: "detection" fine_tune_checkpoint: "/path/to/pretrained/model/checkpoint/ckpt-0" num_steps: 10000 startup_delay_steps: 0 replicas_to_aggregate: 8 max_number_of_boxes: 100 unpad_groundtruth_tensors: false use_bfloat16: false fine_tune_checkpoint_version: V2 fine_tune_checkpoint_moving_average_decay: 0.0 batch_queue_capacity: 64 prefetch_queue_capacity: 64 } train_input_reader { label_map_path: "/path/to/labelmap.pbtxt" tf_record_input_reader { input_path: "/path/to/train.record" } } eval_config { metrics_set: "coco_detection_metrics" use_moving_averages: false } eval_input_reader { label_map_path: "/path/to/labelmap.pbtxt" shuffle: false num_epochs: 1 tf_record_input_reader { input_path: "/path/to/test.record" } } ``` 您需要根据自己的数据集进行修改。请确保将 num_classes 设置为 3，并将 feature_extractor.type 设置为 efficientnet_lite0。 4. 训练模型使用以下命令在训练数据集上训练模型： ``` python /path/to/models/research/object_detection/model_main_tf2.py \ --model_dir=/path/to/model_dir \ --pipeline_config_path=/path/to/pipeline.config \ --num_train_steps=10000 \ --sample_1_of_n_eval_examples=1 \ --alsologtostderr ``` 其中，--model_dir 指定模型保存的目录，--pipeline_config_path 指定配置文件的路径，--num_train_steps 指定训练步数。 5. 评估模型使用以下命令评估模型： ``` python /path/to/models/research/object_detection/model_main_tf2.py \ --model_dir=/path/to/model_dir \ --pipeline_config_path=/path/to/pipeline.config \ --checkpoint_dir=/path/to/checkpoint_dir \ --num_eval_steps=100 \ --run_once=True \ --alsologtostderr ``` 其中，--checkpoint_dir 指定检查点保存的目录，--num_eval_steps 指定评估步数。 6. 导出模型使用以下命令导出模型： ``` python /path/to/models/research/object_detection/exporter_main_v2.py \ --input_type=image_tensor \ --pipeline_config_path=/path/to/pipeline.config \ --trained_checkpoint_dir=/path/to/checkpoint_dir \ --output_directory=/path/to/export_dir ``` 其中，--output_directory 指定导出模型的目录。 7. 测试模型最后，您可以测试模型以确保它能够正常工作。使用以下代码： ``` import tensorflow as tf import cv2 PATH_TO_MODEL_DIR = '/path/to/export_dir' PATH_TO_LABELS = '/path/to/labelmap.pbtxt' PATH_TO_IMAGE = '/path/to/test/image' # Load the label map. category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True) # Load the model. model = tf.saved_model.load(PATH_TO_MODEL_DIR) # Load the image. image_np = cv2.imread(PATH_TO_IMAGE) input_tensor = tf.convert_to_tensor(image_np) input_tensor = input_tensor[tf.newaxis, ...] # Run inference. output_dict = model(input_tensor) # Visualize the results. vis_util.visualize_boxes_and_labels_on_image_array( image_np, output_dict['detection_boxes'][0].numpy(), output_dict['detection_classes'][0].numpy().astype(int), output_dict['detection_scores'][0].numpy(), category_index, use_normalized_coordinates=True, line_thickness=2) cv2.imshow('image', image_np) cv2.waitKey() ``` 其中，PATH_TO_MODEL_DIR 是导出的模型目录，PATH_TO_LABELS 是标签映射文件的路径，PATH_TO_IMAGE 是测试图像的路径。