【模型】timm库

1. timm库

timm 是一个用于深度学习的开源库，全称是 “PyTorch Image Models”。该库由 Ross Wightman 创建并维护，旨在提供高效且易于使用的图像模型，包括大量预训练的模型和实用工具。timm 库基于 PyTorch 框架，主要特点包括：

1. 预训练模型：timm 提供了大量预训练的图像分类模型，这些模型在各种数据集上进行过训练，可以直接用于迁移学习或作为研究的基线模型。
2. 高效的模型实现：timm 的模型实现注重效率和性能，适用于训练和推理任务。
3. 易于使用的接口：timm 提供了简洁的 API，使用户可以方便地加载、训练和评估模型。
4. 持续更新：timm 库不断更新，引入新的模型架构和技术，以跟上深度学习领域的最新进展。

下面是一个使用 timm 库加载预训练模型并进行推理的简单示例：

import timm import torch from PIL import Image from torchvision import transforms  # 加载预训练的 ResNet50 模型 model = timm.create_model('resnet50', pretrained=True) model.eval()  # 图像预处理 preprocess = transforms.Compose([     transforms.Resize(256),     transforms.CenterCrop(224),     transforms.ToTensor(),     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ])  # 加载并预处理图像 img = Image.open('path_to_your_image.jpg') img_tensor = preprocess(img).unsqueeze(0)  # 推理 with torch.no_grad():     output = model(img_tensor)  # 输出结果 print(output) 

2. 预训练模型

timm（PyTorch Image Models）库包含了众多预训练的图像分类模型，这些模型在各种流行的数据集上进行了训练。以下是一些主要的预训练模型类别和具体模型名称：

主流模型架构

1. ResNet 系列

   • ResNet-18
   • ResNet-34
   • ResNet-50
   • ResNet-101
   • ResNet-152

2. EfficientNet 系列

   • EfficientNet-B0
   • EfficientNet-B1
   • EfficientNet-B2
   • EfficientNet-B3
   • EfficientNet-B4
   • EfficientNet-B5
   • EfficientNet-B6
   • EfficientNet-B7

3. Vision Transformers (ViT)

   • ViT-Base
   • ViT-Large
   • ViT-Huge

4. DeiT（Data-efficient Image Transformers）

   • DeiT-Tiny
   • DeiT-Small
   • DeiT-Base

5. MobileNet 系列

   • MobileNetV2
   • MobileNetV3

6. RegNet 系列

   • RegNetX-200MF
   • RegNetX-600MF
   • RegNetY-800MF

其他常见模型架构

1. DenseNet 系列

   • DenseNet-121
   • DenseNet-169
   • DenseNet-201
   • DenseNet-264

2. Inception 系列

   • InceptionV3
   • InceptionV4
   • Inception-ResNet-V2

3. SENet 系列

   • SENet-154
   • SE-ResNet-50
   • SE-ResNet-101

4. EfficientDet（用于目标检测）

   • EfficientDet-D0
   • EfficientDet-D1
   • EfficientDet-D2
   • EfficientDet-D3
   • EfficientDet-D4
   • EfficientDet-D5
   • EfficientDet-D6
   • EfficientDet-D7

最新和高性能模型

1. NFNet 系列

   • NFNet-F0
   • NFNet-F1
   • NFNet-F2
   • NFNet-F3
   • NFNet-F4
   • NFNet-F5
   • NFNet-F6

2. ConvNeXt 系列

   • ConvNeXt-Tiny
   • ConvNeXt-Small
   • ConvNeXt-Base
   • ConvNeXt-Large

3. Swin Transformer

   • Swin-Tiny
   • Swin-Small
   • Swin-Base
   • Swin-Large

4. CaiT（Class-Attention in Image Transformers）

   • CaiT-XXS
   • CaiT-XS
   • CaiT-S
   • CaiT-M
   • CaiT-L

使用方法

可以通过以下代码查看 timm 支持的所有预训练模型：

import timm  # 列出所有可用的模型 model_names = timm.list_models(pretrained=True) print(model_names) 

这些预训练模型已经在ImageNet等大型数据集上进行了训练，因此在迁移学习任务中通常表现良好。选择适合你任务的模型架构，可以加快训练过程，并提高模型的性能。