efficientnet_em.ra2_in1k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes EfficientNet-EdgeTPU. Entrenado en ImageNet-1k usando timm y una receta de augmentación aleatoria (RandAugment RA2). Inspirado y evolucionado a partir de recetas RandAugment de EfficientNet. La receta B se publica en ResNet Strikes Back. Utiliza el optimizador RMSProp (comportamiento TF 1.0) y el promedio de pesos EMA. Programa de LR de paso (decadencia exponencial con escalones) con calentamiento inicial.

Como usar

Clasificación de imágenes
from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen('https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'))

model = timm.create_model('efficientnet_em.ra2_in1k', pretrained=True)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

# probabilities principales y sus índices

Extracción del Mapa de Características
from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen('https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'))

model = timm.create_model('efficientnet_em.ra2_in1k', pretrained=True, features_only=True)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

Embeddings de Imágenes
from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen('https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'))

model = timm.create_model('efficientnet_em.ra2_in1k', pretrained=True, num_classes=0)
model = model.eval()

data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

output = model.forward_features(transforms(img).unsqueeze(0))
output = model.forward_head(output, pre_logits=True)

Funcionalidades

Optimización con RMSProp
Promedio de pesos EMA
Esquema de LR con disminución exponencial y escalones
Tamaño de imagen: 240 x 240
Total de parámetros: 6.9 millones
GMACs: 3.0
Activaciones: 14.3 millones

Casos de uso

Clasificación de imágenes
Extracción de mapas de características
Generación de embeddings de imágenes