diff --git a/docs/zh_CN/models/ImageNet1k/DLA.md b/docs/zh_CN/models/ImageNet1k/DLA.md index f5e5cb5ae7ef6e629f909927946d55387e31a318..36614f9f4dedc82c6676430b20a808537c8074c0 100644 --- a/docs/zh_CN/models/ImageNet1k/DLA.md +++ b/docs/zh_CN/models/ImageNet1k/DLA.md @@ -31,19 +31,18 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范 ### 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
top1 | Reference
top5 | FLOPs
(G) | Params
(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 diff --git a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md index 7ec7cc48590bc3922f2b89b9524e3fcbf23d85d8..dd11376dac9ba71e874dc753e24eaff7144ed10a 100644 --- a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md +++ b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Params
(M) | |:--:|:--:|:--:|:--:|:--:|:--:|:--:| | DenseNet121 | 0.757 | 0.926 | 0.750 | | 5.690 | 7.980 | | DenseNet161 | 0.786 | 0.941 | 0.778 | | 15.490 | 28.680 | diff --git a/docs/zh_CN/models/ImageNet1k/ESNet.md b/docs/zh_CN/models/ImageNet1k/ESNet.md index a5baf534cbec596dbed28a69a99299e85d73a6b5..589c3660c229c1cb9a46976cb4fbe4963c76de5e 100644 --- a/docs/zh_CN/models/ImageNet1k/ESNet.md +++ b/docs/zh_CN/models/ImageNet1k/ESNet.md @@ -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
(M) | Params
(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。 diff --git a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md index 59c971ad0e33d75b85f46f10685d04ca5f8a5ec5..6c1b677a955e8cbca74d50839083ccf1ea3180dd 100644 --- a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md +++ b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Params
(M) | |:--:|:--:|:--:|:--:|:--:|:--:|:--:| | ResNeXt101_
32x8d_wsl | 0.826 | 0.967 | 0.822 | 0.964 | 29.140 | 78.440 | | ResNeXt101_
32x16d_wsl | 0.842 | 0.973 | 0.842 | 0.972 | 57.550 | 152.660 | diff --git a/docs/zh_CN/models/ImageNet1k/HRNet.md b/docs/zh_CN/models/ImageNet1k/HRNet.md index 082ee2c0a63fefea8a0daf73e3f136dad99e765c..92dbed6f0ae8a0bd72e12612f6b871d82fe28a06 100644 --- a/docs/zh_CN/models/ImageNet1k/HRNet.md +++ b/docs/zh_CN/models/ImageNet1k/HRNet.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Params
(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 | diff --git a/docs/zh_CN/models/ImageNet1k/HarDNet.md b/docs/zh_CN/models/ImageNet1k/HarDNet.md index b9379065ac329155f857803a0c0a5285ae617a12..71b46886d13a0a5c1ac9e1d68f808e65b8ede464 100644 --- a/docs/zh_CN/models/ImageNet1k/HarDNet.md +++ b/docs/zh_CN/models/ImageNet1k/HarDNet.md @@ -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 diff --git a/docs/zh_CN/models/ImageNet1k/Inception.md b/docs/zh_CN/models/ImageNet1k/Inception.md index a08d4b32efcfd5741b46ba379709fed9795e9285..a24585a83e4762894f987e708215a92dbd8e19be 100644 --- a/docs/zh_CN/models/ImageNet1k/Inception.md +++ b/docs/zh_CN/models/ImageNet1k/Inception.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Params
(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 | diff --git a/docs/zh_CN/models/ImageNet1k/MixNet.md b/docs/zh_CN/models/ImageNet1k/MixNet.md index 530a6c093ef9cd15344a463a215d610320dcb092..ebf929d5249bb0f8f44db3d63efc26a4a1cd72cb 100644 --- a/docs/zh_CN/models/ImageNet1k/MixNet.md +++ b/docs/zh_CN/models/ImageNet1k/MixNet.md @@ -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
top1| FLOPS
(M) | Params
(M) | +| Models | Top1 | Top5 | Reference
top1| Reference
top5 | FLOPS
(M) | Params
(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 diff --git a/docs/zh_CN/models/ImageNet1k/Mobile.md b/docs/zh_CN/models/ImageNet1k/Mobile.md index 4896aeddb6f180dff25f58e08b07635b584be57c..1794aad8d20e8581f4d481d8b14f3d9a51c71f0c 100644 --- a/docs/zh_CN/models/ImageNet1k/Mobile.md +++ b/docs/zh_CN/models/ImageNet1k/Mobile.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Params
(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 | diff --git a/docs/zh_CN/models/ImageNet1k/Others.md b/docs/zh_CN/models/ImageNet1k/Others.md index a9fca55bc2ecc5f04277d482aea5bf3f5440f552..1414205b44811b2911da00706557a04da0a0d7e4 100644 --- a/docs/zh_CN/models/ImageNet1k/Others.md +++ b/docs/zh_CN/models/ImageNet1k/Others.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPs
(G) | Params
(M) | |:--:|:--:|:--:|:--:|:--:|:--:|:--:| | AlexNet | 0.567 | 0.792 | 0.5720 | | 1.370 | 61.090 | | SqueezeNet1_0 | 0.596 | 0.817 | 0.575 | | 1.550 | 1.240 | diff --git a/docs/zh_CN/models/ImageNet1k/ReXNet.md b/docs/zh_CN/models/ImageNet1k/ReXNet.md index dece393874446217a129ba58b64c687ec8784534..26944a58fb4edd5e646556293b0fcc7f1d557548 100644 --- a/docs/zh_CN/models/ImageNet1k/ReXNet.md +++ b/docs/zh_CN/models/ImageNet1k/ReXNet.md @@ -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
top1| FLOPS
(G) | Params
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPs
(G) | Params
(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 diff --git a/docs/zh_CN/models/ImageNet1k/RedNet.md b/docs/zh_CN/models/ImageNet1k/RedNet.md index 371da2b8607ede4045309b350c74a633e95dd0bc..88ce6cb01c9d4e4e9e682693fdab3fb70e718fa2 100644 --- a/docs/zh_CN/models/ImageNet1k/RedNet.md +++ b/docs/zh_CN/models/ImageNet1k/RedNet.md @@ -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
top1 | Reference
top5 | FLOPs
(G) | Params
(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 diff --git a/docs/zh_CN/models/ImageNet1k/RepVGG.md b/docs/zh_CN/models/ImageNet1k/RepVGG.md index d4585135b689f7a926e612d1739b8276d15edfa1..d741933b6ccbf7f6028417f72417657ada91db6d 100644 --- a/docs/zh_CN/models/ImageNet1k/RepVGG.md +++ b/docs/zh_CN/models/ImageNet1k/RepVGG.md @@ -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
top1| FLOPS
(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
top1 | Reference
top5 | FLOPs
(G) | Params
(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。 diff --git a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md index 66932faf281a9140029d9c9761b5e85537f246dc..ad41d534160a0e0b0edaa53bcdb6b8b3dd33ebe9 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md +++ b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPs
(G) | Params
(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 | diff --git a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md index a9598be79ee9c415418711519786dd2641e8889b..abd548d912b37b7c5cdb682025244c6cdc36ffe7 100644 --- a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md +++ b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md @@ -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
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | +| Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPs
(G) | Params
(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 | diff --git a/docs/zh_CN/models/ImageNet1k/TNT.md b/docs/zh_CN/models/ImageNet1k/TNT.md index 818c35557a60f168226551bfa89300e78524621e..c27ca13a9f41c4906b77e8cc16449447d182af0b 100644 --- a/docs/zh_CN/models/ImageNet1k/TNT.md +++ b/docs/zh_CN/models/ImageNet1k/TNT.md @@ -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
top1 | Reference
top5 | FLOPs
(G) | Params
(M) | +|:--:|:--:|:--:|:--:|:--:|:--:|:--:| +| TNT_small | 0.8121 | 0.9563 | - | - | 5.2 | 23.8 |