EfficientNet (b1模型)

EfficientNet模型在ImageNet-1k上以240x240的分辨率进行训练。此模型是由Mingxing Tan和Quoc V. Le在论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中提出，并于 this repository 首次发布。

声明：EfficientNet发布团队没有为此模型编写模型卡，因此此模型卡是由Hugging Face团队编写的。

模型描述

EfficientNet是一个面向移动设备的纯卷积模型（ConvNet），提出了一种新的缩放方法，使用一个简单但高效的复合系数来统一缩放深度/宽度/分辨率的所有维度。

预期用途和限制

您可以使用原始模型进行图像分类。请查看 model hub ，以寻找您感兴趣的任务的微调版本。

如何使用

使用此模型将COCO 2017数据集中的图像分类为1,000个ImageNet类之一的方法如下：

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-b1")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b1")

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，请参阅 documentation 。

BibTeX条目和引用信息

@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}
}