Keras 的图像分类模型

License: MIT License (MIT)

Tags machine-learning, deep-learning, neuralnetwork, image-classification, keras, keras-mxnet, imagenet, vgg, resnet, resnext, senet, densenet, darknet, squeezenet, squeezenext, shufflenet, menet, mobilenent, igcv3, mnasnet, efficientnet

Development Status
- 3 - Alpha
Intended Audience
- Science/Research
License
- OSI Approved :: MIT License
Operating System
- OS Independent
Programming Language
- Python
Topic
- Scientific/Engineering :: Image Recognition

项目描述

Keras 上的大规模图像分类模型

这是大规模图像分类模型的集合。其中许多在 ImageNet-1K数据集上进行了预训练，并在使用过程中自动加载。所有预训练模型都需要相同的普通归一化。用于训练/评估/转换模型的脚本在 imgclsmobrepo 中。

已实施模型列表

AlexNet（“并行化卷积神经网络的一个奇怪技巧”）
VGG/BN-VGG（'用于大规模图像识别的非常深的卷积网络'）
ResNet（'用于图像识别的深度残差学习'）
PreResNet（“深度残差网络中的身份映射”）
ResNeXt（“深度神经网络的聚合残差变换”）
SENet/SE-ResNet/SE-PreResNet/SE-ResNeXt（“挤压和激发网络”）
DenseNet（'密集连接的卷积网络'）
DarkNet Ref/Tiny/19（'Darknet：c 中的开源神经网络'）
DarkNet-53（'YOLOv3：增量改进'）
SqueezeNet/SqueezeResNet（'SqueezeNet：AlexNet 级别的精度，参数减少 50 倍，模型大小 <0.5MB'）
SqueezeNext（'SqueezeNext：硬件感知神经网络设计'）
ShuffleNet（'ShuffleNet：一种用于移动设备的极其高效的卷积神经网络'）
ShuffleNetV2（'ShuffleNet V2：高效 CNN 架构设计的实用指南'）
MENet（“合并与进化：改进移动应用的卷积神经网络”）
MobileNet（'MobileNets：用于移动视觉应用的高效卷积神经网络'）
FD-MobileNet（'FD-MobileNet：使用快速下采样策略改进的 MobileNet'）
MobileNetV2（'MobileNetV2：倒置残差和线性瓶颈'）
IGCV3 ( 'IGCV3: Interleaved Low-Rank Group Convolutions for Efficient Deep Neural Networks' )
MnasNet ( 'MnasNet: Platform-Aware Neural Architecture Search for Mobile' )
EfficientNet（'EfficientNet：重新思考卷积神经网络的模型缩放'）

安装

要在项目中使用模型，只需安装kerascv所需后端的包。例如对于 MXNet 后端：

pip install mxnet>=1.2.1 keras-mxnet kerascv

或者，如果您更喜欢 TensorFlow 后端：

pip install tensorflow kerascv

要启用/禁用不同的硬件支持，请查看相应后端的安装说明。

安装后检查该backend字段是否设置为文件中的正确值~/.keras/keras.json。在使用 MXNet 后端的情况下，最好将该image_data_format字段的值设置为。channels_first

用法

使用预训练 ResNet-18 模型的示例（用于channels_first数据格式）：

from kerascv.model_provider import get_model as kecv_get_model
import numpy as np

net = kecv_get_model("resnet18", pretrained=True)
x = np.zeros((1, 3, 224, 224), np.float32)
y = net.predict(x)

预训练模型 (ImageNet-1K)

一些备注：

所有质量值均使用 MXNet 后端估算。
Top1/Top5 是 ImageNet-1K 数据集验证子集上的标准 1-crop Top-1/Top-5 错误（百分比）。
FLOPs/2 是 FLOPs 的数量除以 2，与 MAC 的数量相似。
备注Converted from GL model表示该模型经过训练MXNet/Gluon，然后转换为 Keras。

模型	前1名	前5	参数	翻牌数/2	评论
亚历克斯网	40.47	17.88	62,378,344	1,132.33M	从 GL 模型 ( log )转换而来
AlexNet-b	41.08	18.53	61,100,840	714.83M	从 GL 模型 ( log )转换而来
ZFNet	39.56	17.15	62,357,608	1,170.33M	从 GL 模型 ( log )转换而来
ZFNet-b	36.30	14.83	107,627,624	2,479.13M	从 GL 模型 ( log )转换而来
VGG-11	29.59	10.16	132,863,336	7,615.87M	从 GL 模型 ( log )转换而来
VGG-13	28.37	9.50	133,047,848	11,317.65M	从 GL 模型 ( log )转换而来
VGG-16	26.61	8.32	138,357,544	15,480.10M	从 GL 模型 ( log )转换而来
VGG-19	25.58	7.67	143,667,240	19,642.55M	从 GL 模型 ( log )转换而来
BN-VGG-11	28.55	9.34	132,866,088	7,630.21M	从 GL 模型 ( log )转换而来
BN-VGG-13	27.68	8.87	133,050,792	11,341.62M	从 GL 模型 ( log )转换而来
BN-VGG-16	25.50	7.57	138,361,768	15,506.38M	从 GL 模型 ( log )转换而来
BN-VGG-19	23.91	6.89	143,672,744	19,671.15M	从 GL 模型 ( log )转换而来
BN-VGG-11b	29.24	9.75	132,868,840	7,630.72M	从 GL 模型 ( log )转换而来
BN-VGG-13b	29.48	10.16	133,053,736	11,342.14M	来自dmlc/gluon-cv (日志)
BN-VGG-16b	26.88	8.65	138,365,992	15,507.20M	来自dmlc/gluon-cv (日志)
BN-VGG-19b	25.65	8.14	143,678,248	19,672.26M	来自dmlc/gluon-cv (日志)
ResNet-10	34.59	13.85	5,418,792	894.04M	从 GL 模型 ( log )转换而来
ResNet-12	33.43	13.03	5,492,776	1,126.25M	从 GL 模型 ( log )转换而来
ResNet-14	32.18	12.20	5,788,200	1,357.94M	从 GL 模型 ( log )转换而来
ResNet-BC-14b	30.25	11.16	10,064,936	1,479.12M	从 GL 模型 ( log )转换而来
ResNet-16	30.23	10.88	6,968,872	1,589.34M	从 GL 模型 ( log )转换而来
ResNet-18 x0.25	39.30	17.41	3,937,400	270.94M	从 GL 模型 ( log )转换而来
ResNet-18 x0.5	33.40	12.83	5,804,296	608.70M	从 GL 模型 ( log )转换而来
ResNet-18 x0.75	29.98	10.66	8,476,056	1,129.45M	从 GL 模型 ( log )转换而来
ResNet-18	28.08	9.52	11,689,512	1,820.41M	从 GL 模型 ( log )转换而来
ResNet-26	26.12	8.37	17,960,232	2,746.79M	从 GL 模型 ( log )转换而来
ResNet-BC-26b	24.85	7.59	15,995,176	2,356.67M	从 GL 模型 ( log )转换而来
ResNet-34	24.53	7.44	21,797,672	3,672.68M	从 GL 模型 ( log )转换而来
ResNet-BC-38b	23.48	6.72	21,925,416	3,234.21M	从 GL 模型 ( log )转换而来
ResNet-50	22.14	6.04	25,557,032	3,877.95M	从 GL 模型 ( log )转换而来
ResNet-50b	22.06	6.10	25,557,032	4,110.48M	从 GL 模型 ( log )转换而来
ResNet-101	21.64	5.99	44,549,160	7,597.95M	来自dmlc/gluon-cv (日志)
ResNet-101b	20.25	5.11	44,549,160	7,830.48M	从 GL 模型 ( log )转换而来
ResNet-152	20.74	5.35	60,192,808	11,321.85M	来自dmlc/gluon-cv (日志)
ResNet-152b	19.63	4.79	60,192,808	11,554.38M	从 GL 模型 ( log )转换而来
PreResNet-10	34.65	14.01	5,417,128	894.19M	从 GL 模型 ( log )转换而来
PreResNet-12	33.56	13.22	5,491,112	1,126.40M	从 GL 模型 ( log )转换而来
PreResNet-14	32.29	12.19	5,786,536	1,358.09M	从 GL 模型 ( log )转换而来
PreResNet-BC-14b	30.66	11.51	10,057,384	1,476.62M	从 GL 模型 ( log )转换而来
PreResNet-16	30.21	10.81	6,967,208	1,589.49M	从 GL 模型 ( log )转换而来
PreResNet-18 x0.25	39.63	17.78	3,935,960	270.93M	从 GL 模型 ( log )转换而来
PreResNet-18 x0.5	33.67	13.19	5,802,440	608.73M	从 GL 模型 ( log )转换而来
PreResNet-18 x0.75	29.95	10.68	8,473,784	1,129.51M	从 GL 模型 ( log )转换而来
PreResNet-18	28.16	9.52	11,687,848	1,820.56M	从 GL 模型 ( log )转换而来
PreResNet-26	26.02	8.34	17,958,568	2,746.94M	从 GL 模型 ( log )转换而来
PreResNet-BC-26b	25.20	7.86	15,987,624	2,354.16M	从 GL 模型 ( log )转换而来
PreResNet-34	24.55	7.51	21,796,008	3,672.83M	从 GL 模型 ( log )转换而来
PreResNet-BC-38b	22.65	6.33	21,917,864	3,231.70M	从 GL 模型 ( log )转换而来
PreResNet-50	22.26	6.20	25,549,480	3,875.44M	从 GL 模型 ( log )转换而来
PreResNet-50b	22.35	6.32	25,549,480	4,107.97M	从 GL 模型 ( log )转换而来
PreResNet-101	21.43	5.75	44,541,608	7,595.44M	来自dmlc/gluon-cv (日志)
PreResNet-101b	20.84	5.40	44,541,608	7,827.97M	从 GL 模型 ( log )转换而来
PreResNet-152	20.69	5.31	60,185,256	11,319.34M	来自dmlc/gluon-cv (日志)
PreResNet-152b	19.89	5.00	60,185,256	11,551.87M	从 GL 模型 ( log )转换而来
PreResNet-200b	21.09	5.64	64,666,280	15,068.63M	来自tornadomeet/ResNet (日志)
PreResNet-269b	20.71	5.56	102,065,832	20,101.11M	来自soeaver/mxnet-model (日志)
ResNeXt-14 (16x4d)	31.65	12.24	7,127,336	1,045.77M	从 GL 模型 ( log )转换而来
ResNeXt-14 (32x2d)	32.15	12.46	7,029,416	1,031.32M	从 GL 模型 ( log )转换而来
ResNeXt-14 (32x4d)	29.95	11.10	9,411,880	1,603.46M	从 GL 模型 ( log )转换而来
ResNeXt-26 (32x2d)	26.34	8.50	9,924,136	1,461.06M	从 GL 模型 ( log )转换而来
ResNeXt-26 (32x4d)	23.91	7.20	15,389,480	2,488.07M	从 GL 模型 ( log )转换而来
ResNeXt-50 (32x4d)	20.64	5.46	25,028,904	4,255.86M	来自dmlc/gluon-cv (日志)
ResNeXt-101 (32x4d)	19.62	4.92	44,177,704	8,003.45M	来自dmlc/gluon-cv (日志)
ResNeXt-101 (64x4d)	19.28	4.83	83,455,272	15,500.27M	来自dmlc/gluon-cv (日志)
SE-ResNet-10	33.55	13.29	5,463,332	894.27M	从 GL 模型 ( log )转换而来
SE-ResNet-18	27.95	9.20	11,778,592	1,820.88M	从 GL 模型 ( log )转换而来
SE-ResNet-26	25.42	8.03	18,093,852	2,747.49M	从 GL 模型 ( log )转换而来
SE-ResNet-BC-26b	23.44	6.82	17,395,976	2,359.58M	从 GL 模型 ( log )转换而来
SE-ResNet-BC-38b	21.44	5.75	24,026,616	3,238.58M	从 GL 模型 ( log )转换而来
SE-ResNet-50	22.50	6.43	28,088,024	3,880.49M	来自Cadene/pretrained...pytorch (日志)
SE-ResNet-50b	20.58	5.33	28,088,024	4,115.78M	从 GL 模型 ( log )转换而来
SE-ResNet-101	21.92	5.88	49,326,872	7,602.76M	来自Cadene/pretrained...pytorch (日志)
SE-ResNet-152	21.46	5.77	66,821,848	11,328.52M	来自Cadene/pretrained...pytorch (日志)
SE-PreResNet-10	33.60	13.06	5,461,668	894.42M	从 GL 模型 ( log )转换而来
SE-PreResNet-18	27.67	9.38	11,776,928	1,821.03M	从 GL 模型 ( log )转换而来
SE-PreResNet-BC-26b	22.95	6.36	17,388,424	2,357.07M	从 GL 模型 ( log )转换而来
SE-PreResNet-BC-38b	21.42	5.63	24,019,064	3,236.07M	从 GL 模型 ( log )转换而来
SE-ResNeXt-50 (32x4d)	20.03	5.05	27,559,896	4,261.16M	来自dmlc/gluon-cv (日志)
SE-ResNeXt-101 (32x4d)	19.07	4.60	48,955,416	8,012.73M	来自dmlc/gluon-cv (日志)
SE-ResNeXt-101 (64x4d)	18.98	4.66	88,232,984	15,509.54M	来自dmlc/gluon-cv (日志)
SENet-16	25.34	8.06	31,366,168	5,081.30M	从 GL 模型 ( log )转换而来
SENet-28	21.68	5.91	36,453,768	5,732.71M	从 GL 模型 ( log )转换而来
SENet-154	18.83	4.65	115,088,984	20,745.78M	来自Cadene/pretrained...pytorch (日志)
DenseNet-121	23.23	6.84	7,978,856	2,872.13M	从 GL 模型 ( log )转换而来
DenseNet-161	22.39	6.18	28,681,000	7,793.16M	来自dmlc/gluon-cv (日志)
DenseNet-169	22.09	6.05	14,149,480	3,403.89M	从 GL 模型 ( log )转换而来
DenseNet-201	22.69	6.35	20,013,928	4,347.15M	来自dmlc/gluon-cv (日志)
暗网小	40.31	17.46	1,042,104	500.85M	从 GL 模型 ( log )转换而来
暗网参考	37.99	16.68	7,319,416	367.59M	从 GL 模型 ( log )转换而来
暗网-53	21.43	5.56	41,609,928	7,133.86M	来自dmlc/gluon-cv (日志)
挤压网 v1.0	39.17	17.56	1,248,424	823.67M	从 GL 模型 ( log )转换而来
挤压网 v1.1	39.08	17.39	1,235,496	352.02M	从 GL 模型 ( log )转换而来
SqueezeResNet v1.0	39.40	17.80	1,248,424	823.67M	从 GL 模型 ( log )转换而来
SqueezeResNet v1.1	39.82	17.84	1,235,496	352.02M	从 GL 模型 ( log )转换而来
1.0-SqNxt-23	42.28	18.62	724,056	287.28M	从 GL 模型 ( log )转换而来
1.0-SqNxt-23v5	40.38	17.57	921,816	285.82M	从 GL 模型 ( log )转换而来
1.5-SqNxt-23	34.59	13.30	1,511,824	552.39M	从 GL 模型 ( log )转换而来
1.5-SqNxt-23v5	33.56	12.84	1,953,616	550.97M	从 GL 模型 ( log )转换而来
2.0-SqNxt-23	30.15	10.66	2,583,752	898.48M	从 GL 模型 ( log )转换而来
2.0-SqNxt-23v5	29.40	10.28	3,366,344	897.60M	从 GL 模型 ( log )转换而来
ShuffleNet x0.25 (g=1)	62.00	36.76	209,746	1235万	从 GL 模型 ( log )转换而来
ShuffleNet x0.25 (g=3)	61.32	36.15	305,902	13.09M	从 GL 模型 ( log )转换而来
ShuffleNet x0.5 (g=1)	46.21	22.38	534,484	41.16M	从 GL 模型 ( log )转换而来
ShuffleNet x0.5 (g=3)	43.82	20.60	718,324	41.70M	从 GL 模型 ( log )转换而来
ShuffleNet x0.75 (g=1)	39.24	16.75	975,214	86.42M	从 GL 模型 ( log )转换而来
ShuffleNet x0.75 (g=3)	37.81	16.09	1,238,266	85.82M	从 GL 模型 ( log )转换而来
ShuffleNet x1.0 (g=1)	34.41	13.50	1,531,936	148.13M	从 GL 模型 ( log )转换而来
ShuffleNet x1.0 (g=2)	33.97	13.32	1,733,848	147.60M	从 GL 模型 ( log )转换而来
ShuffleNet x1.0 (g=3)	33.96	13.29	1,865,728	145.46M	从 GL 模型 ( log )转换而来
ShuffleNet x1.0 (g=4)	33.83	13.10	1,968,344	143.33M	从 GL 模型 ( log )转换而来
ShuffleNet x1.0 (g=8)	33.64	13.20	2,434,768	150.76M	从 GL 模型 ( log )转换而来
ShuffleNetV2 x0.5	40.76	18.40	1,366,792	4331万	从 GL 模型 ( log )转换而来
ShuffleNetV2 x1.0	31.02	11.33	2,278,604	149.72M	从 GL 模型 ( log )转换而来
ShuffleNetV2 x1.5	27.32	9.27	4,406,098	320.77M	从 GL 模型 ( log )转换而来
ShuffleNetV2 x2.0	25.77	8.22	7,601,686	595.84M	从 GL 模型 ( log )转换而来
ShuffleNetV2b x0.5	39.81	17.83	1,366,792	4331万	从 GL 模型 ( log )转换而来
ShuffleNetV2b x1.0	30.38	11.01	2,279,760	150.62M	从 GL 模型 ( log )转换而来
ShuffleNetV2b x1.5	26.89	8.80	4,410,194	323.98M	从 GL 模型 ( log )转换而来
ShuffleNetV2b x2.0	25.18	8.10	7,611,290	603.37M	从 GL 模型 ( log )转换而来
108-MENet-8x1 (g=3)	43.61	20.31	654,516	42.68M	从 GL 模型 ( log )转换而来
128-MENet-8x1 (g=4)	42.08	19.14	750,796	45.98M	从 GL 模型 ( log )转换而来
160-MENet-8x1 (g=8)	43.47	20.28	850,120	45.63M	从 GL 模型 ( log )转换而来
228-MENet-12x1 (g=3)	33.85	12.88	1,806,568	152.93M	从 GL 模型 ( log )转换而来
256-MENet-12x1 (g=4)	32.22	12.17	1,888,240	150.65M	从 GL 模型 ( log )转换而来
348-MENet-12x1 (g=3)	27.85	9.36	3,368,128	312.00M	从 GL 模型 ( log )转换而来
352-MENet-12x1 (g=8)	31.29	11.67	2,272,872	157.35M	从 GL 模型 ( log )转换而来
456-MENet-24x1 (g=3)	25.00	7.80	5,304,784	567.90M	从 GL 模型 ( log )转换而来
移动网络 x0.25	45.80	22.17	470,072	44.09M	从 GL 模型 ( log )转换而来
移动网络 x0.5	33.94	13.30	1,331,592	155.42M	从 GL 模型 ( log )转换而来
移动网络 x0.75	29.85	10.51	2,585,560	333.99M	从 GL 模型 ( log )转换而来
移动网络 x1.0	26.43	8.66	4,231,976	579.80M	从 GL 模型 ( log )转换而来
FD-MobileNet x0.25	55.42	30.52	383,160	12.95M	从 GL 模型 ( log )转换而来
FD-MobileNet x0.5	42.61	19.69	993,928	41.84M	从 GL 模型 ( log )转换而来
FD-MobileNet x0.75	37.90	16.01	1,833,304	86.68M	从 GL 模型 ( log )转换而来
FD-MobileNet x1.0	33.80	13.12	2,901,288	147.46M	从 GL 模型 ( log )转换而来
MobileNetV2 x0.25	48.06	24.12	1,516,392	34.24M	从 GL 模型 ( log )转换而来
MobileNetV2 x0.5	35.63	14.43	1,964,736	100.13M	从 GL 模型 ( log )转换而来
MobileNetV2 x0.75	29.76	10.44	2,627,592	198.50M	从 GL 模型 ( log )转换而来
MobileNetV2 x1.0	26.76	8.64	3,504,960	329.36M	从 GL 模型 ( log )转换而来
MobileNetV3 L/224/1.0	24.63	7.69	5,481,752	227.09M	来自dmlc/gluon-cv (日志)
IGCV3 x0.25	53.41	28.29	1,534,020	41.29M	从 GL 模型 ( log )转换而来
IGCV3 x0.5	39.39	17.04	1,985,528	111.12M	从 GL 模型 ( log )转换而来
IGCV3 x0.75	30.71	10.97	2,638,084	210.95M	从 GL 模型 ( log )转换而来
IGCV3 x1.0	27.72	8.99	3,491,688	340.79M	从 GL 模型 ( log )转换而来
MnasNet-B1	25.76	8.00	4,383,312	326.30M	来自rwightman/pyt...models (日志)
MnasNet-A1	25.02	7.55	3,887,038	326.07M	来自rwightman/pyt...models (日志)
EfficientNet-B0	24.50	7.22	5,288,548	414.31M	从 GL 模型 ( log )转换而来
EfficientNet-B1	22.89	6.26	7,794,184	732.54M	从 GL 模型 ( log )转换而来
EfficientNet-B0b	22.95	6.69	5,288,548	414.31M	来自rwightman/pyt...models (日志)
EfficientNet-B1b	20.97	5.64	7,794,184	732.54M	来自rwightman/pyt...models (日志)
EfficientNet-B2b	19.93	5.16	9,109,994	1,051.98M	来自rwightman/pyt...models (日志)
EfficientNet-B3b	18.59	4.31	12,233,232	1,928.55M	来自rwightman/pyt...models (日志)
EfficientNet-B4b	17.24	3.76	19,341,616	4,607.46M	来自rwightman/pyt...models (日志)
EfficientNet-B5b	16.39	3.34	30,389,784	10,695.20M	来自rwightman/pyt...models (日志)
EfficientNet-B6b	15.96	3.12	43,040,704	19,796.24M	来自rwightman/pyt...models (日志)
EfficientNet-B7b	15.70	3.11	66,347,960	39,010.98M	来自rwightman/pyt...models (日志)

项目详情

许可证：麻省理工学院许可证（MIT）

作者： 奥列格·塞梅里

标签机器学习、深度学习、神经网络、图像分类、 keras、 keras-mxnet、 imagenet、 vgg、 resnet、 resnext、 senet、 densenet 、darknet 、 squeezenet 、 squnext、 shufflenet、 menet、 mobilenent、 igcv3、 mnasnet、

由 Python 中文网翻译和维护。

kerascv 0.0.40

导航

项目链接

统计数据

Meta

Maintainers

分类