|
上周52CV曾经第一时间报道了谷歌新出的算法EfficientNet： 谷歌大脑提出EfficientNet平衡模型扩展三个维度，取得精度-效率的最大化！ 引起了大家的广泛关注。 在EfficientNet的系列模型中EfficientNet-B7在ImageNet数据集上达到 state-of-the-art 84.4% top-1 / 97.1% top-5 精度（这是目前ImageNet库上报告的最高精度），并且难能可贵的是，相比之前最好的方法模型size还减小8.4倍，速度快了6.1倍！！ CV君在前文中说“这可能是一篇要改变整个深度卷积网络模型设计的论文了”，果不其然，这两天EfficientNet已然刮起了一阵旋风！ 其实对于EfficientNet模型，谷歌家是已经开源了的： https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet （当然是用TensorFlow实现的） 可是这么好的算法，怎么能没有PyTorch的实现？ 在Github上搜索“EfficientNet“： 排名第一的就是基于PyTorch实现的，其居然在短短四天时间有1.1K颗星！ 这套代码的作者为来自哈佛大学数学与计算机系的高材生Luke Melas-Kyriazi： 这是什么概念呢？ 前几天谷歌刚刚公布的MobileNetV3（重磅！MobileNetV3 来了！），当时谷歌没有开源，有大佬实现后挂到GitHub上： 经过10天，最被关注的实现也只有398颗星。 何恺明大神的ResNet开源三年多了， 累积了4.8K 颗星。EfficientNet-PyTorch只用了四天已经接近其1/4了！ 现在你可以使用EfficientNet-PyTorch方便进行模型加载、图像分类、特征提取，当然也可以在ImageNet库上评估算法。 作者并没有自己训练出模型权重（后续训练出来会公布），而是直接将谷歌开源的模型转成PyTorch的： 目前，谷歌只提供了前四个稍轻量级模型的下载（至于为什么没提供后面四个模型的下载，有人在GitHub上提问了，官方至今还没有回答）。 看到上面的表格，我们有必要跟MobileNetV3比较一下，下面是MobileNetV3公布的ImageNet上的分类结果： EfficientNet-B0参数量5.3 M与MobileNetV3参数量5.4 M接近，但在Top-1精度上EfficientNet-B0却足足比MobileNetV3 高1.1个百分点！ 短命的MobileNetV3这才出来没几天，就这样硬生生给比下去了。。。 不过值得一提的是，EfficientNet是一种模型扩展方法，当然也可以将MobileNetV3作为EfficientNet的基模型，扩展得到一系列新模型，真正鹿死谁手还不一定呢^_^ |
|
|
