EfficientNet (b5 模型)

在 456x456 分辨率下训练的 EfficientNet 模型，是在论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中由 Mingxing Tan 和 Quoc V. Le 提出，并于 this repository 首次发布。

免责声明：发布 EfficientNet 的团队没有为该模型编写模型卡片，因此这份模型卡片是由 Hugging Face 团队编写的。

模型描述

EfficientNet 是一种适用于移动设备的纯卷积模型（ConvNet），它提出了一种新的缩放方法，通过一个简单但非常有效的复合因子均匀缩放深度、宽度和分辨率的所有维度。

预期用途和限制

你可以使用原来的模型进行图像分类。查看 model hub 以寻找您感兴趣的任务上的精调版本。

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-b5")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b5")

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]),

还有更多代码示例，请参阅 documentation 。

BibTeX条目和引文信息

@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}
}