Skip to content

P
PaddleClas

PaddlePaddle / PaddleClas
大约 1 年 前同步成功

通知 115
Star 4999
Fork 1114
P
PaddleClas
提交 8da7ec37 编写于 作者: weixin_46524038's avatar weixin_46524038 提交者： cuicheng01
浏览文件
操作

modify

上级 24168fb2
隐藏空白更改
内联 并排
Showing with 43 addition and 43 deletion
docs/zh_CN/models/ImageNet1k/CSPNet.md
浏览文件 @ 8da7ec37
......@@ -36,7 +36,7 @@ CSPNet（Cross Stage Partial Network）系列网络模型主要是一种网络
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| CSPDarkNet53 | 0.7725 | 0.9355 | - | - | 5.041 | 27.678 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/DLA.md
浏览文件 @ 8da7ec37
......@@ -64,7 +64,7 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范
| DLA60x_c | 224 | 1.04 | 1.82 | 3.68 |
| DLA60x | 224 | 2.66 | 8.44 | 11.95 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/DPN.md
浏览文件 @ 8da7ec37
......@@ -69,7 +69,7 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense
| DPN107 | 224 | 256 | 8.39 | 34.44 | 52.12 |
| DPN131 | 224 | 256 | 8.26 | 33.96 | 48.62 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -83,7 +83,7 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense
| DPN107 | 224 | 27.84462 | 34.83217 | 60.67903 | 27.62046 | 52.65353 | 100.11721 |
| DPN131 | 224 | 28.58941 | 33.01078 | 55.65146 | 28.33119 | 46.19439 | 89.24904 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/DeiT.md
浏览文件 @ 8da7ec37
......@@ -62,7 +62,7 @@ DeiT（Data-efficient Image Transformers）系列模型是由 FaceBook 在 2020
| DeiT_base_<br>distilled_patch16_224 | 224 | 6.00 | 15.43 | 27.10 |
| DeiT_base_<br>distilled_patch16_384 | 384 | 13.76 | 45.61 | 89.15 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/DenseNet.md
浏览文件 @ 8da7ec37
......@@ -75,7 +75,7 @@ DenseNet 是 2017 年 CVPR best paper 提出的一种新的网络结构，该网
| DPN107 | 224 | 19.46 | 35.62 | 50.22 |
| DPN131 | 224 | 19.64 | 34.60 | 47.42 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -94,7 +94,7 @@ DenseNet 是 2017 年 CVPR best paper 提出的一种新的网络结构，该网
| DPN107 | 224 | 27.84462 | 34.83217 | 60.67903 | 27.62046 | 52.65353 | 100.11721 |
| DPN131 | 224 | 28.58941 | 33.01078 | 55.65146 | 28.33119 | 46.19439 | 89.24904 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ESNet.md
浏览文件 @ 8da7ec37
......@@ -52,7 +52,7 @@ ESNet(Enhanced ShuffleNet)是百度自研的一个轻量级网络，该网络在
| ESNet_x0_75 | 224 | 1.13 | 1.63 | 1.71 |
| ESNet_x1_0 | 224 | 1.35 | 1.66 | 2.04 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/EfficientNet.md
浏览文件 @ 8da7ec37
......@@ -77,7 +77,7 @@ EfficientNet 是 Google 于 2019 年发布的一个基于 NAS 的轻量级网络
| EfficientNetB7 | 600 | 21.91 | 62.29 | 116.07 |
| EfficientNetB0_<br>small | 224 | 1.24 | 2.59 | 3.92 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -95,7 +95,7 @@ EfficientNet 是 Google 于 2019 年发布的一个基于 NAS 的轻量级网络
| EfficientNetB7 | 600 | 47.86087 | - | - | 53.93823 | - | - |
| EfficientNetB0_small | 224 | 2.39166 | 4.36748 | 6.96002 | 2.3076 | 4.71886 | 7.21888 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/GhostNet.md
浏览文件 @ 8da7ec37
......@@ -75,7 +75,7 @@ GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构，
| GhostNet_x1_3 | 224 | 256 | 1.28 | 2.04 | 2.66 |
| GhostNet_x1_3_ssld | 224 | 256 | 1.28 | 2.04 | 2.66 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/HRNet.md
浏览文件 @ 8da7ec37
......@@ -76,7 +76,7 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络
| HRNet_W48_C_ssld | 224 | 10.81 | 15.67 | 15.53 |
| HRNet_W64_C | 224 | 13.12 | 19.49 | 33.80 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......
docs/zh_CN/models/ImageNet1k/HarDNet.md
浏览文件 @ 8da7ec37
......@@ -53,7 +53,7 @@ HarDNet（Harmonic DenseNet）是 2019 年由国立清华大学提出的一种
| HarDNet39_ds | 224 | 1.12 | 1.54 | 2.00 |
| HarDNet68_ds | 224 | 1.88 | 2.56 | 3.37 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/Inception.md
浏览文件 @ 8da7ec37
......@@ -79,7 +79,7 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结
| InceptionV3 | 299 | 3.92 | 5.98 | 9.57 |
| InceptionV4 | 299 | 7.09 | 10.95 | 18.37 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -96,7 +96,7 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结
| InceptionV3 | 299 | 3.67502 | 6.36071 | 9.82645 | 6.64054 | 13.53630 | 22.17355 |
| InceptionV4 | 299 | 9.50821 | 13.72104 | 20.27447 | 12.99342 | 25.23416 | 43.56121 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/MixNet.md
浏览文件 @ 8da7ec37
......@@ -57,7 +57,7 @@ MixNet 是谷歌出的一篇关于轻量级网络的文章，主要工作就在
| MixNet_M | 224 | 2.25 | 3.38 | 5.06 |
| MixNet_L | 224 | 2.39 | 4.19 | 6.29 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/NextViT.md
浏览文件 @ 8da7ec37
......@@ -65,7 +65,7 @@ NextViT 是一种新的视觉 Transformer 网络，可以用作计算机视觉
| NextViT_base_224_ssld | 224 | 12.02 | 16.21 | 20.63 |
| NextViT_large_224_ssld | 224 | 16.51 | 21.91 | 27.25 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/Others.md
浏览文件 @ 8da7ec37
......@@ -61,7 +61,7 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| DarkNet53 | 256 | 2.79 | 6.42 | 10.89 |
| SENet154_vd | 224 | 12.57 | 33.64 | 72.71 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -75,7 +75,7 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| DarkNet53 | 256 | 3.18101 | 5.88419 | 10.14964 | 4.10829 | 12.1714 | 22.15266 |
| SENet154_vd | 224 | 49.85733 | 54.37267| 74.70447 | 53.79794 | 66.31684 | 121.59885 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/PVTV2.md
浏览文件 @ 8da7ec37
......@@ -57,7 +57,7 @@ PVTV2 是 VisionTransformer 系列模型，该模型基于 PVT（Pyramid Vision
| PVT_V2_B4 | 224 | 14.06 | - | - |
| PVT_V2_B5 | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ReXNet.md
浏览文件 @ 8da7ec37
......@@ -56,7 +56,7 @@ ReXNet 是 NAVER 集团 ClovaAI 研发中心基于一种网络架构设计新范
| ReXNet_2_0 | 224 | 3.32 | 4.45 | 6.50 |
| ReXNet_3_0 | 224 | 3.83 | 6.81 | 10.42 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/RedNet.md
浏览文件 @ 8da7ec37
......@@ -56,7 +56,7 @@
| RedNet101 | 224 | 14.89 | 51.40 | 98.07 |
| RedNet152 | 224 | 21.41 | 74.07 | 138.91 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/RegNet.md
浏览文件 @ 8da7ec37
......@@ -60,7 +60,7 @@ RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概
| RegNetX_4GF | 224 | 6.46 | 8.48 | 11.45 |
| RegNetX_32GF | 224 | 13.66 | 28.08 | 51.04 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -70,7 +70,7 @@ RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| RegNetX_4GF | 224 | 6.69042 | 8.01664 | 11.60608 | 6.46478 | 11.19862 | 16.89089 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/RepVGG.md
浏览文件 @ 8da7ec37
......@@ -70,7 +70,7 @@ RepVGG(Making VGG-style ConvNets Great Again)系列模型是由清华大学(丁
| RepVGG_B3g4 | 224 | 4.21 | 8.22 | 14.68 |
| RepVGG_D2se | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/Res2Net.md
浏览文件 @ 8da7ec37
......@@ -73,7 +73,7 @@ Res2Net 是 2019 年提出的一种全新的对 ResNet 的改进方案，该方
| Res2Net101_vd_26w_4s_ssld | 224 | 5.96 | 10.56 | 15.20 |
| Res2Net200_vd_26w_4s_ssld | 224 | 10.80 | 19.48 | 27.95 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -87,7 +87,7 @@ Res2Net 是 2019 年提出的一种全新的对 ResNet 的改进方案，该方
| Res2Net101_vd_26w_4s | 224 | 6.53122 | 10.81895 | 18.94395 | 8.08729 | 17.31208 | 31.95762 |
| Res2Net200_vd_26w_4s | 224 | 11.66671 | 18.93953 | 33.19188 | 14.67806 | 32.35032 | 63.65899 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ResNeSt.md
浏览文件 @ 8da7ec37
......@@ -55,7 +55,7 @@ ResNeSt 系列模型是在 2020 年提出的，在原有的 resnet 网络结构
| ResNeSt200 | 224 | - | - | - |
| ResNeSt269 | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -65,7 +65,7 @@ ResNeSt 系列模型是在 2020 年提出的，在原有的 resnet 网络结构
| ResNeSt50_fast_1s1x64d | 224 | 3.46466 | 5.56647 | 9.11848 | 3.45405 | 8.72680 | 15.48710 |
| ResNeSt50 | 224 | 7.05851 | 8.97676 | 13.34704 | 6.16248 | 12.0633 | 21.49936 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ResNeXt.md
浏览文件 @ 8da7ec37
......@@ -81,7 +81,7 @@ ResNeXt 是 ResNet 的典型变种网络之一，ResNeXt 发表于 2017 年的 C
| ResNeXt152_64x4d | 224 | 10.88 | 30.14 | 62.60 |
| ResNeXt152_vd_64x4d | 224 | 10.58 | 30.30 | 62.94 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -102,7 +102,7 @@ ResNeXt 是 ResNet 的典型变种网络之一，ResNeXt 发表于 2017 年的 C
| ResNeXt152_64x4d | 224 | 46.58293 | 48.34563 | 56.97961 | 46.7564 | 56.34108 | 106.11736 |
| ResNeXt152_vd_64x4d | 224 | 47.68447 | 48.91406 | 57.29329 | 47.18638 | 57.16257 | 107.26288 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ResNeXt101_wsl.md
浏览文件 @ 8da7ec37
......@@ -67,7 +67,7 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。
| ResNeXt101_<br>32x48d_wsl | 224 | 69.81 | 121.22 | 205.55 |
| Fix_ResNeXt101_<br>32x48d_wsl | 320 | 55.01 | 122.63 | 204.66 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -81,7 +81,7 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。
| ResNeXt101_<br>32x48d_wsl | 224 | 50.97681 | 137.60926 | 190.82628 | 99.01698256 | 315.91261 | 551.83695 |
| Fix_ResNeXt101_<br>32x48d_wsl | 320 | 78.62869 | 191.76039 | 317.15436 | 160.0838242 | 595.99296 | 1151.47384 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ResNet.md
浏览文件 @ 8da7ec37
......@@ -102,7 +102,7 @@ PaddleClas 提供的 ResNet 系列的模型包括 ResNet50，ResNet50_vd，ResNe
| ResNet50_vd_ssld | 224 | 2.23 | 3.92 | 6.46 |
| ResNet101_vd_ssld | 224 | 4.04 | 6.84 | 11.44 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -130,7 +130,7 @@ PaddleClas 提供的 ResNet 系列的模型包括 ResNet50，ResNet50_vd，ResNe
| Fix_ResNet50_vd_ssld | 320 | 3.42818 | 7.51534 | 13.19370 | 5.07696 | 14.64218 | 27.01453 |
| ResNet101_vd_ssld | 224 | 5.05972 | 7.83685 | 11.34235 | 6.11704 | 13.76222 | 25.11071 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/SENet.md
浏览文件 @ 8da7ec37
......@@ -62,7 +62,7 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| SE_ResNeXt50_vd_32x4d | 224 | 3.06 | 10.91 | 15.53 |
| SE_ResNeXt101_32x4d | 224 | 5.78 | 21.04 | 28.67 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -74,7 +74,7 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| SE_ResNeXt50_vd_32x4d | 224 | 9.25016 | 11.85045 | 25.57004 | 9.17134 | 14.76192 | 19.914 |
| SE_ResNeXt101_32x4d | 224 | 19.34455 | 20.6104 | 32.20432 | 18.82604 | 25.31814 | 41.97758 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/Twins.md
浏览文件 @ 8da7ec37
......@@ -56,7 +56,7 @@ Twins 网络包括 Twins-PCPVT 和 Twins-SVT，其重点对空间注意力机制
| alt_gvt_base | 224 | 7.48 | 12.60 | 19.93 |
| alt_gvt_large | 224 | 9.28 | 18.72 | 31.18 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/UniFormer.md
浏览文件 @ 8da7ec37
......@@ -54,7 +54,7 @@ UniFormer 是一种新的视觉 Transformer 网络，可以用作计算机视觉
| UniFormer_base | 224 | 8.19 | 12.98 | 21.29 |
| UniFormer_base_ls | 224 | 14.79 | - | 22.20 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/VAN.md
浏览文件 @ 8da7ec37
......@@ -52,7 +52,7 @@ VAN（Visual Attention Network）系列模型是在 2022 年提出的 CNN 架构
| VAN-B2 | 224 | 17.09 | 18.48 | 19.32 |
| VAN-B3 | 224 | 32.09 | 33.91 | 36.13 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/VGG.md
浏览文件 @ 8da7ec37
......@@ -53,7 +53,7 @@ VGG 由牛津大学计算机视觉组和 DeepMind 公司研究员一起研发的
| VGG16 | 224 | 2.28 | 6.56 | 12.25 |
| VGG19 | 224 | 2.73 | 8.18 | 15.33 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name='1.3.2'></a>
......@@ -66,7 +66,7 @@ VGG 由牛津大学计算机视觉组和 DeepMind 公司研究员一起研发的
| VGG16 | 224 | 256 | 3.13237 | 7.19257 | 12.50913 | 5.61769 | 16.40064 | 32.03939 |
| VGG19 | 224 | 256 | 3.69987 | 8.59168 | 15.07866 | 6.65221 | 20.4334 | 41.55902 |
**备注：** 推理过程使用 TensorRT。
**备注：** 推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
docs/zh_CN/models/ImageNet1k/ViT.md
浏览文件 @ 8da7ec37
......@@ -60,7 +60,7 @@ ViT（Vision Transformer）系列模型是 Google 在 2020 年提出的，该模
| ViT_large_<br/>patch16_384 | 384 | 38.67 | 142.57 | 282.87 |
| ViT_large_<br/>patch32_384 | 384 | 12.07 | 34.53 | 65.81 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
<a name="2"></a>
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或