EfficientNet（b2模型）

EfficientNet模型在分辨率为260×260的ImageNet-1k数据集上进行了训练。该模型是由Mingxing Tan和Quoc V. Le在 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 论文中提出，并在 this repository 中首次发布。

免责声明：EfficientNet发布团队没有为该模型编写模型卡片，因此此模型卡片是由Hugging Face团队编写的。

模型描述

EfficientNet是一个移动友好的纯卷积模型（ConvNet），它提出了一种新的缩放方法，通过简单而高效的复合系数均匀缩放深度/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 以查找您感兴趣的任务上微调的版本。

使用方法

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-b2")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b2")

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]),

有关更多代码示例，我们参考 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}
}