视觉预训练模型
所有文档

          全功能AI开发平台 BML

          视觉预训练模型

          图像分类模型

          图像分类网络包含了基于飞桨深度学习平台模型库的十四种预训练网络,利用海量数据进行预训练,并且在ImageNet-2012数据集上进行了top-1准确率和cpu测试时间的测试。详细测试数据

          预训练模型 预训练网络 top-1准确率 cpu测试时间(ms) 模型特点
          公开数据集常规预训练模型 EffcientNetB0_small 0.751 129 去掉SE模块的EffcientNetB0,精度略有下降,速度大幅上升
          EfficientNetB4 0.8285 415 基于EffcientNetB0增加了网络的复杂度,预测准确率和时间也相应提高
          MobileNetV2 0.7215 -- 轻量级网络,预测时间很短,但是精度也相应降低
          MobileNetV3_large_x1_0 0.753 96 MobileNet的最新版,同样为轻量化网络,但性能得到了进一步提升
          NASNet 0.827 -- 如果数据量不大,由于模型复杂度较大,一般情况不建议使用
          ResNet18_vd 0.7226 142 轻量级ResNet,适用于要求小体积模型的情况,预测时间短,但准确率也相应较低
          ResNet50 0.765 -- 模型效果稳定,并且预测时间较短,适用于大多数情况
          ResNet101 0.7756 -- 在处理较大数据量时有更高的准确率,预测时间相比ResNet50也会更长
          ResNeXt101_32x16d_wsl 0.8424 1838 基于超大量图片的弱监督预训练模型,准确率高但是预测时间较长
          Res2Net101_vd_26w_4s 0.8064 575 在单个残差块内进一步构造了分层的残差类连接,比ResNet101准确度更高
          SE_ResNet18_vd 0.7333 152 比ResNet18_vd增加了SE模块,提高了准确率,但是预测时间也稍有增加
          SE-ResNeXt50 0.7844 -- 与ResNet50相仿,准确率和预测时间稍有增加,但同样适用于大多数情况
          SE-ResNeXt101 0.7912 -- 比ResNet101准确度更高,同时预测时间也更长
          Xception71 0.8111 747 采用了深度可分离卷积,使模型预测的准确率得到了很大的提升
          百度超大规模数据集通用分类预训练模型 MobileNetV3_large_x1_0 - - 使用百度自有大规模数据集的预训练网络,对比公开数据集的预训练模型具有更高的精度
          ResNet50_vd - - 使用百度自有大规模数据集的预训练网络,对比公开数据集的预训练模型具有更高的精度
          ResNet101_vd - - 使用百度自有大规模数据集的预训练网络,对比公开数据集的预训练模型具有更高的精度

          物体检测模型

          物体检测网络包含了基于飞桨深度学习平台模型库的七种预训练网络。使用COCO17数据集进行box AP和cpu测试时间的测试。详细测试数据

          预训练模型 预训练网络 box AP cpu测试时间(ms) 模型特点
          公开数据集常规预训练模型 SSD-MobileNetV1 25.1 54 轻量级网络,重视预测速度时优先使用
          YOLOv3-MobileNetV1 23.9 171 轻量高速,重视预测速度时优先使用
          YOLOv3-DarkNet 38.9 514 模型在预测速度和模型精度上都有居中表现,适用于一般情况
          YOLOv3-ResNet50vd-DCN 41.4 456 以ResNet50_vd作为backbone的YOLOv3模型,预测精度高
          Faster_R-CNN-ResNet50-FPN 37.7 2842 预测精度高,训练时间长,适用于重视模型精度的使用情况
          RetinaNet-ResNet50-FPN 36 2308 经典的两阶段检测器,预测精度高,训练时间长,适用于重视模型精度的使用情况
          Cascade_RCNN-RestNet50-FPN 40.9 4454 经典的两阶段检测器,预测精度高,训练时间长,适用于重视模型精度的使用情况
          百度超大规模数据集通用检测预训练模型 YOLOv3-DarkNet - - 使用百度自有大规模数据集的预训练网络,对比公开数据集的预训练模型具有更高的精度
          Faster_R-CNN-ResNet50-FPN - - 使用百度自有大规模数据集的预训练网络,对比公开数据集的预训练模型具有更高的精度

          实例分割模型

          实例分割网络包含了基于飞桨深度学习平台模型库的两种预训练网络。

          预训练模型 预训练网络 模型特点
          公开数据集常规预训练模型 Mask_RCNN-ResNet50-VD-FPN 预测精度较高,训练收敛快,适用于重视模型效果和速度均衡的使用情况
          Cascade_Mask_RCNN-RestNet50-FPN 预测精度高,适用于重视模型精度的使用情况
          上一篇
          查看训练结果
          下一篇
          网络选型参考