ImageNet 预训练模型的推断吞吐量与验证准确率的可视化如下图所示。吞吐量是在单块 V100 GPU 和批量大小为 64 的条件下测量的。

如何使用预训练模型

• 以下示例需要 GluonCV>=0.4 和 MXNet>=1.4.0。如有必要，请遵循 我们的安装指南 来安装或升级 GluonCV 和 MXNet。

• 请自行准备一张图片或使用 我们的示例图片。您可以将图片保存到工作目录中，文件名为 classification-demo.png；如果您使用其他文件名，请修改源代码中的文件名。

• 使用预训练模型。模型由其名称指定。

我们来试试吧！

import mxnet as mx
import gluoncv

# you can change it to your image filename
filename = 'classification-demo.png'
# you may modify it to switch to another model. The name is case-insensitive
model_name = 'ResNet50_v1d'
# download and load the pre-trained model
net = gluoncv.model_zoo.get_model(model_name, pretrained=True)
# load image
img = mx.image.imread(filename)
# apply default data preprocessing
transformed_img = gluoncv.data.transforms.presets.imagenet.transform_eval(img)
# run forward pass to obtain the predicted score for each class
pred = net(transformed_img)
# map predicted values to probability by softmax
prob = mx.nd.softmax(pred)[0].asnumpy()
# find the 5 class indices with the highest score
ind = mx.nd.topk(pred, k=5)[0].astype('int').asnumpy().tolist()
# print the class name and predicted probability
print('The input picture is classified to be')
for i in range(5):
    print('- [%s], with probability %.3f.'%(net.classes[ind[i]], prob[ind[i]]))

我们的 示例图片 的预期输出为

The input picture is classified to be
- [Welsh springer spaniel], with probability 0.899.
- [Irish setter], with probability 0.005.
- [Brittany spaniel], with probability 0.003.
- [cocker spaniel], with probability 0.002.
- [Blenheim spaniel], with probability 0.002.

记住，您可以通过替换 model_name 的值来尝试不同的模型。请继续阅读表格，了解模型名称及其性能。

ImageNet

提示

训练命令适用于此脚本

下载 train_imagenet.py

模型可以拥有不同训练参数的不同哈希标签。带有灰色名称的参数可以通过传入相应的哈希标签来下载。

• 下载默认预训练权重：net = get_model('ResNet50_v1d', pretrained=True)

• 下载给定哈希标签的权重：net = get_model('ResNet50_v1d', pretrained='117a384e')

ResNet50_v1_int8 和 MobileNet1.0_int8 是在 ImageNet 数据集上校准的量化模型。

ResNet

提示

• ResNet50_v1_int8 是 ResNet50_v1 的量化模型。

• ResNet_v1b 在 ResNet_v1 的瓶颈块中修改了 3x3 层的步幅。

• ResNet_v1c 修改了 ResNet_v1b，用三个 3x3 卷积层取代了 7x7 卷积层。

• ResNet_v1d 修改了 ResNet_v1c，在残差路径上添加了一个步幅为 2 的 2x2 平均池化层，以保留更多信息。

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
ResNet18_v1 [1]_	70.93	89.92	a0666292	shell 脚本	日志
ResNet34_v1 [1]_	74.37	91.87	48216ba9	shell 脚本	日志
ResNet50_v1 [1]_	77.36	93.57	cc729d95	shell 脚本	日志
ResNet50_v1_int8 [1]_	76.86	93.46	cc729d95
ResNet101_v1 [1]_	78.34	94.01	d988c13d	shell 脚本	日志
ResNet152_v1 [1]_	79.22	94.64	acfd0970	shell 脚本	日志
ResNet18_v1b [1]_	70.94	89.83	2d9d980c	shell 脚本	日志
ResNet34_v1b [1]_	74.65	92.08	8e16b848	shell 脚本	日志
ResNet50_v1b [1]_	77.67	93.82	0ecdba34	shell 脚本	日志
ResNet50_v1b_gn [1]_	77.36	93.59	0ecdba34	shell 脚本	日志
ResNet101_v1b [1]_	79.20	94.61	a455932a	shell 脚本	日志
ResNet152_v1b [1]_	79.69	94.74	a5a61ee1	shell 脚本	日志
ResNet50_v1c [1]_	78.03	94.09	2a4e0708	shell 脚本	日志
ResNet101_v1c [1]_	79.60	94.75	064858f2	shell 脚本	日志
ResNet152_v1c [1]_	80.01	94.96	75babab6	shell 脚本	日志
ResNet50_v1d [1]_	79.15	94.58	117a384e	shell 脚本	日志
ResNet50_v1d [1]_	78.48	94.20	00319ddc	shell 脚本	日志
ResNet101_v1d [1]_	80.51	95.12	1b2b825f	shell 脚本	日志
ResNet101_v1d [1]_	79.78	94.80	8659a9d6	shell 脚本	日志
ResNet152_v1d [1]_	80.61	95.34	cddbc86f	shell 脚本	日志
ResNet152_v1d [1]_	80.26	95.00	cfe0220d	shell 脚本	日志
ResNet18_v2 [2]_	71.00	89.92	a81db45f	shell 脚本	日志
ResNet34_v2 [2]_	74.40	92.08	9d6b80bb	shell 脚本	日志
ResNet50_v2 [2]_	77.11	93.43	ecdde353	shell 脚本	日志
ResNet101_v2 [2]_	78.53	94.17	18e93e4f	shell 脚本	日志
ResNet152_v2 [2]_	79.21	94.31	f2695542	shell 脚本	日志

ResNext

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
ResNext50_32x4d [12]_	79.32	94.53	4ecf62e2	shell 脚本	日志
ResNext101_32x4d [12]_	80.37	95.06	8654ca5d	shell 脚本	日志
ResNext101_64x4d_v1 [12]_	80.69	95.17	2f0d1c9d	shell 脚本	日志
SE_ResNext50_32x4d [12]_ [14]_	79.95	94.93	7906e0e1	shell 脚本	日志
SE_ResNext101_32x4d [12]_ [14]_	80.91	95.39	688e2389	shell 脚本	日志
SE_ResNext101_64x4d [12]_ [14]_	81.01	95.32	11c50114	shell 脚本	日志

ResNeSt

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
ResNeSt14 [17]_	75.75	92.70	7e0b0cae	shell 脚本	日志
ResNeSt26 [17]_	78.68	94.38	36459074	shell 脚本
ResNeSt50 [17]_	81.04	95.42	bcfefe1d	shell 脚本	日志
ResNeSt101 [17]_	82.83	96.42	5da943b3	shell 脚本	日志
ResNeSt200 [17]_	83.86	96.86	0c5d117d	shell 脚本	日志
ResNeSt269 [17]_	84.53	96.98	11ae7f5d	shell 脚本	日志

MobileNet

提示

• MobileNet1.0_int8 是 MobileNet1.0 的量化模型。

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
MobileNet1.0 [4]_	73.28	91.30	efbb2ca3	shell 脚本	日志
MobileNet1.0_int8 [4]_	72.85	90.99	efbb2ca3
MobileNet1.0 [4]_	72.93	91.14	cce75496	shell 脚本	日志
MobileNet0.75 [4]_	70.25	89.49	84c801e2	shell 脚本	日志
MobileNet0.5 [4]_	65.20	86.34	0130d2aa	shell 脚本	日志
MobileNet0.25 [4]_	52.91	76.94	f0046a3d	shell 脚本	日志
MobileNetV2_1.0 [5]_	72.04	90.57	f9952bcd	shell 脚本	日志
MobileNetV2_0.75 [5]_	69.36	88.50	b56e3d1c	shell 脚本	日志
MobileNetV2_0.5 [5]_	64.43	85.31	08038185	shell 脚本	日志
MobileNetV2_0.25 [5]_	51.76	74.89	9b1d2cc3	shell 脚本	日志
MobileNetV3_Large [15]_	75.32	92.30	eaa44578	shell 脚本	日志
MobileNetV3_Small [15]_	67.72	87.51	33c100a7	shell 脚本	日志

VGG

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
VGG11 [9]_	66.62	87.34	dd221b16
VGG13 [9]_	67.74	88.11	6bc5de58
VGG16 [9]_	73.23	91.31	e660d456	shell 脚本	日志
VGG19 [9]_	74.11	91.35	ad2f660d	shell 脚本	日志
VGG11_bn [9]_	68.59	88.72	ee79a809
VGG13_bn [9]_	68.84	88.82	7d97a06c
VGG16_bn [9]_	73.10	91.76	7f01cf05	shell 脚本	日志
VGG19_bn [9]_	74.33	91.85	f360b758	shell 脚本	日志

SqueezeNet

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
SqueezeNet1.0 [10]_	56.11	79.09	264ba497
SqueezeNet1.1 [10]_	54.96	78.17	33ba0f93

DenseNet

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
DenseNet121 [7]_	74.97	92.25	f27dbf2d
DenseNet161 [7]_	77.70	93.80	b6c8a957
DenseNet169 [7]_	76.17	93.17	2603f878
DenseNet201 [7]_	77.32	93.62	1cdbc116

剪枝 ResNet

模型	Top-1	Top-5	哈希标签	加速比 (相对于原始 ResNet)
resnet18_v1b_0.89	67.2	87.45	54f7742b	2倍
resnet50_v1d_0.86	78.02	93.82	a230c33f	1.68倍
resnet50_v1d_0.48	74.66	92.34	0d3e69bb	3.3倍
resnet50_v1d_0.37	70.71	89.74	9982ae49	5.01倍
resnet50_v1d_0.11	63.22	84.79	6a25eece	8.78倍
resnet101_v1d_0.76	79.46	94.69	a872796b	1.8倍
resnet101_v1d_0.73	78.89	94.48	712fccb1	2.02倍

其他

提示

InceptionV3 使用 299x299 输入尺寸进行评估。

模型	Top-1	Top-5	哈希标签	训练命令	训练日志
AlexNet [6]_	54.92	78.03	44335d1f
darknet53 [3]_	78.56	94.43	2189ea49	shell 脚本	日志
darknet53 [3]_	78.13	93.86	95975047	shell 脚本	日志
InceptionV3 [8]_	78.77	94.39	a5050dbc	shell 脚本	日志
GoogLeNet [16]_	72.87	91.17	c7c89366	shell 脚本	日志
Xception [8]_	79.56	94.77	37c1c90b	shell 脚本	日志
InceptionV3 [8]_	78.41	94.13	e132adf2	shell 脚本	日志
SENet_154 [14]_	81.26	95.51	b5538ef1

CIFAR10

下表列出了在 CIFAR10 上训练的预训练模型。

提示

我们的预训练模型复现了“Mix-Up” [13]_ 的结果。请查阅参考文献以获取更多信息。

表中的训练命令适用于以下脚本

• 对于传统训练：下载 train_cifar10.py

• 对于 Mix-Up 训练：下载 train_mixup_cifar10.py

模型	准确率 (传统训练/Mix-Up [13]_ )	训练命令	训练日志
CIFAR_ResNet20_v1 [1]_	92.1 / 92.9	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNet56_v1 [1]_	93.6 / 94.2	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNet110_v1 [1]_	93.0 / 95.2	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNet20_v2 [2]_	92.1 / 92.7	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNet56_v2 [2]_	93.7 / 94.6	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNet110_v2 [2]_	94.3 / 95.5	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_WideResNet16_10 [11]_	95.1 / 96.7	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_WideResNet28_10 [11]_	95.6 / 97.2	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_WideResNet40_8 [11]_	95.9 / 97.3	传统训练 / Mix-Up	传统训练 / Mix-Up
CIFAR_ResNeXt29_16x64d [12]_	96.3 / 97.3	传统训练 / Mix-Up	传统训练 / Mix-Up