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 dec42bf3 编写于 作者: G gaotingquan
浏览文件
操作

docs: refactor format of metrics

上级 5b489581
隐藏空白更改
内联 并排
Showing with 60 addition and 64 deletion
docs/zh_CN/models/ImageNet1k/DLA.md
浏览文件 @ dec42bf3
......@@ -31,19 +31,18 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范
<a name='1.2'></a>
### 1.2 模型指标
| Model | Params (M) | FLOPs (G) | Top-1 (%) | Top-5 (%) |
|:-----------------:|:----------:|:---------:|:---------:|:---------:|
| DLA34 | 15.8 | 3.1 | 76.03 | 92.98 |
| DLA46_c | 1.3 | 0.5 | 63.21 | 85.30 |
| DLA46x_c | 1.1 | 0.5 | 64.36 | 86.01 |
| DLA60 | 22.0 | 4.2 | 76.10 | 92.92 |
| DLA60x | 17.4 | 3.5 | 77.53 | 93.78 |
| DLA60x_c | 1.3 | 0.6 | 66.45 | 87.54 |
| DLA102 | 33.3 | 7.2 | 78.93 | 94.52 |
| DLA102x | 26.4 | 5.9 | 78.10 | 94.00 |
| DLA102x2 | 41.4 | 9.3 | 78.85 | 94.45 |
| DLA169 | 53.5 | 11.6 | 78.09 | 94.09 |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| DLA34 | 76.03 | 92.98 | - | - | 3.1 | 15.8 |
| DLA46_c | 63.21 | 85.30 | - | - | 0.5 | 1.3 |
| DLA46x_c | 64.36 | 86.01 | - | - | 0.5 | 1.1 |
| DLA60 | 76.10 | 92.92 | - | - | 4.2 | 22.0 |
| DLA60x | 77.53 | 93.78 | - | - | 3.5 | 17.4 |
| DLA60x_c | 66.45 | 87.54 | - | - | 0.6 | 1.3 |
| DLA102 | 78.93 | 94.52 | - | - | 7.2 | 33.3 |
| DLA102x | 78.10 | 94.00 | - | - | 5.9 | 26.4 |
| DLA102x2 | 78.85 | 94.45 | - | - | 9.3 | 41.4 |
| DLA169 | 78.09 | 94.09 | - | - | 11.6 | 53.5 |
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md
浏览文件 @ dec42bf3
......@@ -47,7 +47,7 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| DenseNet121 | 0.757 | 0.926 | 0.750 | | 5.690 | 7.980 |
| DenseNet161 | 0.786 | 0.941 | 0.778 | | 15.490 | 28.680 |
......
docs/zh_CN/models/ImageNet1k/ESNet.md
浏览文件 @ dec42bf3
......@@ -34,10 +34,10 @@ ESNet(Enhanced ShuffleNet)是百度自研的一个轻量级网络，该网络在
| Models | Top1 | Top5 | FLOPs<br>(M) | Params<br/>(M) |
|:--:|:--:|:--:|:--:|:--:|
| ESNet_x0_25 | 62.48 | 83.46 | 30.9 | 2.83 |
| ESNet_x0_5 | 68.82 | 88.04 | 67.3 | 3.25 |
| ESNet_x0_75 | 72.24 | 90.45 | 123.7 | 3.87 |
| ESNet_x1_0 | 73.92 | 91.40 | 197.3 | 4.64 |
| ESNet_x0_25 | 62.48 | 83.46 | - | - | 30.9 | 2.83 |
| ESNet_x0_5 | 68.82 | 88.04 | - | - | 67.3 | 3.25 |
| ESNet_x0_75 | 72.24 | 90.45 | - | - | 123.7 | 3.87 |
| ESNet_x1_0 | 73.92 | 91.40 | - | - | 197.3 | 4.64 |
关于 Inference speed 等信息，敬请期待。
......@@ -51,7 +51,6 @@ ESNet(Enhanced ShuffleNet)是百度自研的一个轻量级网络，该网络在
## 3. 模型训练、评估和预测
此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。
**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。
......
docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md
浏览文件 @ dec42bf3
......@@ -47,7 +47,7 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| ResNeXt101_<br>32x8d_wsl | 0.826 | 0.967 | 0.822 | 0.964 | 29.140 | 78.440 |
| ResNeXt101_<br>32x16d_wsl | 0.842 | 0.973 | 0.842 | 0.972 | 57.550 | 152.660 |
......
docs/zh_CN/models/ImageNet1k/HRNet.md
浏览文件 @ dec42bf3
......@@ -44,7 +44,7 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| HRNet_W18_C | 0.769 | 0.934 | 0.768 | 0.934 | 4.140 | 21.290 |
| HRNet_W18_C_ssld | 0.816 | 0.958 | 0.768 | 0.934 | 4.140 | 21.290 |
......
docs/zh_CN/models/ImageNet1k/HarDNet.md
浏览文件 @ dec42bf3
......@@ -32,12 +32,10 @@ HarDNet（Harmonic DenseNet）是 2019 年由国立清华大学提出的一种
### 1.2 模型指标
| Model | Params (M) | FLOPs (G) | Top-1 (%) | Top-5 (%) |
|:---------------------:|:----------:|:---------:|:---------:|:---------:|
| HarDNet68 | 17.6 | 4.3 | 75.46 | 92.65 |
| HarDNet85 | 36.7 | 9.1 | 77.44 | 93.55 |
| HarDNet39_ds | 3.5 | 0.4 | 71.33 | 89.98 |
| HarDNet68_ds | 4.2 | 0.8 | 73.62 | 91.52 |
| HarDNet68 | 75.46 | 92.65 | - | - | 4.3 | 17.6 |
| HarDNet85 | 77.44 | 93.55 | - | - | 9.1 | 36.7 |
| HarDNet39_ds | 71.33 | 89.98 | - | - | 0.4 | 3.5 |
| HarDNet68_ds | 73.62 | 91.52 | - | - | 0.8 | 4.2 |
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/Inception.md
浏览文件 @ dec42bf3
......@@ -50,7 +50,7 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| GoogLeNet | 0.707 | 0.897 | 0.698 | | 2.880 | 8.460 |
| Xception41 | 0.793 | 0.945 | 0.790 | 0.945 | 16.740 | 22.690 |
......
docs/zh_CN/models/ImageNet1k/MixNet.md
浏览文件 @ dec42bf3
......@@ -37,11 +37,11 @@ MixNet 是谷歌出的一篇关于轻量级网络的文章，主要工作就在
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1| FLOPS<br>(M) | Params<br/>(M) |
| Models | Top1 | Top5 | Reference<br>top1| Reference<br>top5 | FLOPS<br>(M) | Params<br/>(M) |
|:--:|:--:|:--:|:--:|:--:|----|
| MixNet_S | 76.28 | 92.99 | 75.8 | 252.977 | 4.167 |
| MixNet_M | 77.67 | 93.64 | 77.0 | 357.119 | 5.065 |
| MixNet_L | 78.60 | 94.37 | 78.9 | 579.017 | 7.384 |
| MixNet_S | 76.28 | 92.99 | 75.8 | - | 252.977 | 4.167 |
| MixNet_M | 77.67 | 93.64 | 77.0 | - | 357.119 | 5.065 |
| MixNet_L | 78.60 | 94.37 | 78.9 | - | 579.017 | 7.384 |
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/Mobile.md
浏览文件 @ dec42bf3
......@@ -51,7 +51,7 @@ GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构，
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| MobileNetV1_x0_25 | 0.514 | 0.755 | 0.506 | | 0.070 | 0.460 |
| MobileNetV1_x0_5 | 0.635 | 0.847 | 0.637 | | 0.280 | 1.310 |
......
docs/zh_CN/models/ImageNet1k/Others.md
浏览文件 @ dec42bf3
......@@ -38,7 +38,7 @@ DarkNet53 是 YOLO 作者在论文设计的用于目标检测的 backbone，该
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| AlexNet | 0.567 | 0.792 | 0.5720 | | 1.370 | 61.090 |
| SqueezeNet1_0 | 0.596 | 0.817 | 0.575 | | 1.550 | 1.240 |
......
docs/zh_CN/models/ImageNet1k/ReXNet.md
浏览文件 @ dec42bf3
......@@ -32,13 +32,13 @@ ReXNet 是 NAVER 集团 ClovaAI 研发中心基于一种网络架构设计新范
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1| FLOPS<br/>(G) | Params<br/>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br/>(G) | Params<br/>(M) |
|:--:|:--:|:--:|:--:|:--:|----|
| ReXNet_1_0 | 77.46 | 93.70 | 77.9 | 0.415 | 4.838 |
| ReXNet_1_3 | 79.13 | 94.64 | 79.5 | 0.683 | 7.611 |
| ReXNet_1_5 | 80.06 | 95.12 | 80.3 | 0.900 | 9.791 |
| ReXNet_2_0 | 81.22 | 95.36 | 81.6 | 1.561 | 16.449 |
| ReXNet_3_0 | 82.09 | 96.12 | 82.8 | 3.445 | 34.833 |
| ReXNet_1_0 | 77.46 | 93.70 | 77.9 | - | 0.415 | 4.838 |
| ReXNet_1_3 | 79.13 | 94.64 | 79.5 | - | 0.683 | 7.611 |
| ReXNet_1_5 | 80.06 | 95.12 | 80.3 | - | 0.900 | 9.791 |
| ReXNet_2_0 | 81.22 | 95.36 | 81.6 | - | 1.561 | 16.449 |
| ReXNet_3_0 | 82.09 | 96.12 | 82.8 | - | 3.445 | 34.833 |
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/RedNet.md
浏览文件 @ dec42bf3
......@@ -32,13 +32,13 @@
### 1.2 模型指标
| Model | Params (M) | FLOPs (G) | Top-1 (%) | Top-5 (%) |
|:---------------------:|:----------:|:---------:|:---------:|:---------:|
| RedNet26 | 9.2 | 1.7 | 75.95 | 93.19 |
| RedNet38 | 12.4 | 2.2 | 77.47 | 93.56 |
| RedNet50 | 15.5 | 2.7 | 78.33 | 94.17 |
| RedNet101 | 25.7 | 4.7 | 78.94 | 94.36 |
| RedNet152 | 34.0 | 6.8 | 79.17 | 94.40 |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| RedNet26 | 75.95 | 93.19 | - | - | 1.7 | 9.2 |
| RedNet38 | 77.47 | 93.56 | - | - | 2.2 | 12.4 |
| RedNet50 | 78.33 | 94.17 | - | - | 2.7 | 15.5 |
| RedNet101 | 78.94 | 94.36 | - | - | 4.7 | 25.7 |
| RedNet152 | 79.17 | 94.40 | - | - | 6.8 | 34.0 |
### 1.3 Benchmark
......
docs/zh_CN/models/ImageNet1k/RepVGG.md
浏览文件 @ dec42bf3
......@@ -32,18 +32,18 @@ RepVGG(Making VGG-style ConvNets Great Again)系列模型是由清华大学(丁
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1| FLOPS<br>(G) |
|:--:|:--:|:--:|:--:|:--:|
| RepVGG_A0 | 0.7131 | 0.9016 | 0.7241 | |
| RepVGG_A1 | 0.7380 | 0.9146 | 0.7446 | |
| RepVGG_A2 | 0.7571 | 0.9264 | 0.7648 | |
| RepVGG_B0 | 0.7450 | 0.9213 | 0.7514 | |
| RepVGG_B1 | 0.7773 | 0.9385 | 0.7837 | |
| RepVGG_B2 | 0.7813 | 0.9410 | 0.7878 | |
| RepVGG_B1g2 | 0.7732 | 0.9359 | 0.7778 | |
| RepVGG_B1g4 | 0.7675 | 0.9335 | 0.7758 | |
| RepVGG_B2g4 | 0.7881 | 0.9448 | 0.7938 | |
| RepVGG_B3g4 | 0.7965 | 0.9485 | 0.8021 | |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| RepVGG_A0 | 0.7131 | 0.9016 | 0.7241 | - | - | - |
| RepVGG_A1 | 0.7380 | 0.9146 | 0.7446 | - | - | - |
| RepVGG_A2 | 0.7571 | 0.9264 | 0.7648 | - | - | - |
| RepVGG_B0 | 0.7450 | 0.9213 | 0.7514 | - | - | - |
| RepVGG_B1 | 0.7773 | 0.9385 | 0.7837 | - | - | - |
| RepVGG_B2 | 0.7813 | 0.9410 | 0.7878 | - | - | - |
| RepVGG_B1g2 | 0.7732 | 0.9359 | 0.7778 | - | - | - |
| RepVGG_B1g4 | 0.7675 | 0.9335 | 0.7758 | - | - | - |
| RepVGG_B2g4 | 0.7881 | 0.9448 | 0.7938 | - | - | - |
| RepVGG_B3g4 | 0.7965 | 0.9485 | 0.8021 | - | - | - |
关于 Params、FLOPs、Inference speed 等信息，敬请期待。
......
docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md
浏览文件 @ dec42bf3
......@@ -34,7 +34,7 @@ RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| ResNeSt50_fast_1s1x64d | 0.8035 | 0.9528| 0.8035 | -| 8.68 | 26.3 |
| ResNeSt50 | 0.8083 | 0.9542| 0.8113 | -| 10.78 | 27.5 |
......
docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md
浏览文件 @ dec42bf3
......@@ -50,7 +50,7 @@ Res2Net 是 2019 年提出的一种全新的对 ResNet 的改进方案，该方
### 1.2 模型指标
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| Res2Net50_26w_4s | 0.793 | 0.946 | 0.780 | 0.936 | 8.520 | 25.700 |
| Res2Net50_vd_26w_4s | 0.798 | 0.949 | | | 8.370 | 25.060 |
......
docs/zh_CN/models/ImageNet1k/TNT.md
浏览文件 @ dec42bf3
......@@ -30,9 +30,9 @@ TNT(Transformer-iN-Transformer)系列模型由华为诺亚于 2021 年提出，
### 1.2 模型指标
| Model | Params (M) | FLOPs (G) | Top-1 (%) | Top-5 (%) |
|:---------------------:|:----------:|:---------:|:---------:|:---------:|
| TNT_small | 23.8 | 5.2 | 81.21 | 95.63 |
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| TNT_small | 0.8121 | 0.9563 | - | - | 5.2 | 23.8 |
<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