TorchVisionV0.9中引入的ML模型

TorchVisionV0.9中引入的ML模型

TorchVisionV0.9已经发布，它包含了许多新的机器学习模型和功能，速度改进和错误修复。在这篇博文中，我们简要介绍了新引入的ML模型，并讨论了它们的主要特性和特性。

分类

MobileNetV3 Large & Small：这种二分类模型针对移动用例进行了优化，并用作其他计算机视觉任务的主干。新MobileNetV3体系结构的实现支持原论文中描述的大小变体和深度倍增参数。我们为具有深度倍增1.0和分辨率224x224的大网络和小型网络提供预先训练的ImageNet权重。我们以前的方法已经更新，可以用来轻松地从头训练模型（向Ross Wightman致敬，感谢他指导我们做了一些训练配置）。与ResNet50相比，在CPU上比ResNet50快6倍，这意味着它是一个很好的候选应用程序，其中速度是重要的。对于速度至关重要的应用程序，您可以牺牲更高的速度精度，并使用比ResNet50快15倍的小模型。

Quantized MobileNetV3 Large：量化版本MobilNetV3 Large减少了45%的参数，它比未量化版本快约2.5倍，但在准确性方面保持竞争力。它通过对非量化版本的迭代，采用量化感知训练方法在ImageNet上进行了装配，并可以使用现有的参考脚本从头开始训练。

用法：

model = torchvision.models.mobilenet_v3_large(pretrained=True)
# model = torchvision.models.mobilenet_v3_small(pretrained=True)
# model = torchvision.models.quantization.mobilenet_v3_large(pretrained=True)
model.eval()
predictions = model(img)

目标检测：

Faster R-CNN MobileNetV3-Large FPN:把MobileNetV3 Large更快的R-CNN检测器和特征金字塔网络相结合，可以获得高精度和快速的目标检测器。使用提供的参考脚本在COCO 2017上安装预先训练的重量，该模型在CPU上比同等的ResNet50探测器快5倍，同时在准确性方面保持竞争力。

Faster R-CNN MobileNetV3-Large 320 FPN:这是以前模型的一个迭代，它降低的分辨率（最小值=320像素），也降低了的准确性。但它比同等的ResNet50检测器在CPU上快25倍，因此对于真正的移动应用来说是很好的。

用法：

model = torchvision.models.detection.fasterrcnn_mobilenet_v3_large_fpn(pretrained=True)
# model = torchvision.models.detection.fasterrcnn_mobilenet_v3_large_320_fpn(pretrained=True)
model.eval()
predictions = model(img)

语义分割：

DeepLabV3 with Dilated MobileNetV3 Large Backbone:  MobileNetV3 Large扩展版本与DeepLabV3相结合，有助于我们建立一个高度准确和快速的语义分割模型。使用我们的标准训练方法，将预先训练的权重模型安装在COCO 2017上。最终的模型与FCN ResNet50具有相同的精度，但是它的CPU速度快了8.5倍，因此它是大多数应用程序的优秀替代品。

Lite R-ASPP with Dilated MobileNetV3 Large Backbone: 我们介绍了一种新的语义分割 liter R-ASPP的实现，并将其与扩展的MobileNetV3 Large相结合，建立了一个非常快速的分割模型。与以前轻量级的分割模型FCN ResNet50相比，新模型损失了一定的精度，但实现了15倍的速度提升。

用法：

model = torchvision.models.segmentation.deeplabv3_mobilenet_v3_large(pretrained=True)
# model = torchvision.models.segmentation.lraspp_mobilenet_v3_large(pretrained=True)
model.eval()
predictions = model(img)

在不久的将来，我们计划发表一篇文章，详细介绍如何训练上述模型，并讨论它们的权衡和设计选择。在此之前，我们鼓励您尝试新的模型，并提供您的反馈。

转自：https://pytorch.org/blog/ml-models-torchvision-v0.9/