EfficientNet Keras（和 TensorFlow Keras）

该存储库包含EfficientNet的 Keras（和 TensorFlow Keras）重新实现，这是一种轻量级卷积神经网络架构，可在 ImageNet 和其他五个常用的迁移学习上以更少的参数和 FLOPS 实现最先进的精度数据集。

代码库深受TensorFlow 实现的启发。

重要的！

2019 年 7 月 24 日有一个巨大的图书馆更新。现在 efficintnet 可以与两个框架一起使用：keras和tensorflow.keras. 如果您有在该日期之前训练过的模型来加载它们，请使用 0.0.4 版本 (PyPI) 的效率网络。您可以使用回滚pip install -U efficientnet==0.0.4。

目录

1. 关于 EfficientNet 模型
2. 例子
3. 楷模
4. 安装
5. 经常问的问题
6. 致谢

关于 EfficientNet 模型

EfficientNets 依靠 AutoML 和复合扩展在不影响资源效率的情况下实现卓越的性能。AutoML Mobile 框架帮助开发了移动设备大小的基线网络EfficientNet-B0，然后通过复合缩放方法对其进行改进以获得 EfficientNet-B1 到 B7。

EfficientNets 在 ImageNet 上实现了最先进的精度，效率提高了一个数量级：

• 在高精度方案中，EfficientNet-B7 在 ImageNet 上以 66M 参数和 37B FLOPS 实现了最先进的 84.4% top-1 / 97.1% top-5 精度。同时，该模型比前任领导者 Gpipe 小 8.4 倍，CPU 推理速度快6.1 倍。

• 在中等精度范围内，EfficientNet-B1 比ResNet-152小 7.6 倍，CPU 推理速度快 5.7 倍，具有相似的 ImageNet 精度。

• 与广泛使用的ResNet-50相比，EfficientNet-B4 在相似的 FLOPS 约束下将 top-1 准确率从 ResNet-50 的 76.3% 提高到 82.6% (+6.3%)。

例子

• 初始化模型：

# models can be build with Keras or Tensorflow frameworks
# use keras and tfkeras modules respectively
# efficientnet.keras / efficientnet.tfkeras
import efficientnet.keras as efn 

model = efn.EfficientNetB0(weights='imagenet')  # or weights='noisy-student'

• 加载预训练的权重：

# model use some custom objects, so before loading saved model
# import module your network was build with
# e.g. import efficientnet.keras / import efficientnet.tfkeras
import efficientnet.tfkeras
from tensorflow.keras.models import load_model

model = load_model('path/to/model.h5')

在此处查看在 Jupyter 笔记本中加载模型和进行推理的完整示例。

楷模

使用作者提供的检查点转换的预训练权重，每个模型变体的性能如下：

* - 转换模型的 topK 准确度得分（imagenetval集）

安装

要求

• Keras >= 2.2.0/TensorFlow >= 1.12.0
• keras_applications >= 1.0.7
• scikit-image

从源安装

$ pip install -U git+https://github.com/qubvel/efficientnet

从 PyPI 安装

PyPI 稳定版

$ pip install -U efficientnet

PyPI 最新版本（支持 keras 和 tf.keras）

$ pip install -U --pre efficientnet

经常问的问题

• 如何将原始 TensorFlow 检查点转换为 Keras HDF5？

选择目标目录（如dist）并从 repo 目录运行转换器脚本，如下所示：

$ ./scripts/convert_efficientnet.sh --target_dir dist

您还可以选择创建安装了所有依赖项的虚拟环境，方法是--make_venv=true在自毁临时位置而不是目标目录中添加和操作，方法是设置--tmp_working_dir=true.

致谢

我要感谢积极为此存储库做出贡献的社区成员：

1. Sasha Illarionov ( @sdll ) 为权重转换准备自动化脚本
2. Björn Barz ( @Callidior ) 用于 keras 和 tensorflow.keras 框架的模型代码适配