From f2e7ea86cf623ebbc4ab7012bd14ff5abbd37241 Mon Sep 17 00:00:00 2001 From: gaotingquan Date: Mon, 17 Oct 2022 07:07:09 +0000 Subject: [PATCH] docs: add the number --- docs/zh_CN/models/ImageNet1k/model_list.md | 48 +++++++++++----------- 1 file changed, 24 insertions(+), 24 deletions(-) diff --git a/docs/zh_CN/models/ImageNet1k/model_list.md b/docs/zh_CN/models/ImageNet1k/model_list.md index d7e05f19..e4dbf4e6 100644 --- a/docs/zh_CN/models/ImageNet1k/model_list.md +++ b/docs/zh_CN/models/ImageNet1k/model_list.md @@ -5,13 +5,13 @@ ## 目录 -- [模型库概览图](#Overview) -- [SSLD 知识蒸馏预训练模型](#SSLD) - - [服务器端知识蒸馏模型](#SSLD_server) - - [移动端知识蒸馏模型](#SSLD_mobile) - - [Intel CPU 端知识蒸馏模型](#SSLD_intel_cpu) -- [CNN 系列模型](#CNN_based) - - [服务器端模型](#CNN_server) +- [一、模型库概览图](#Overview) +- [二、SSLD 知识蒸馏预训练模型](#SSLD) + - [2.1 服务器端知识蒸馏模型](#SSLD_server) + - [2.2 移动端知识蒸馏模型](#SSLD_mobile) + - [2.3 Intel CPU 端知识蒸馏模型](#SSLD_intel_cpu) +- [三、CNN 系列模型](#CNN_based) + - [3.1 服务器端模型](#CNN_server) - [PP-HGNet 系列](#PPHGNet) - [ResNet 系列](#ResNet) - [SEResNeXt 与 Res2Net 系列](#SEResNeXt&Res2Net) @@ -27,11 +27,11 @@ - [DLA 系列](#DLA) - [RedNet 系列](#RedNet) - [其他模型](#Others) - - [轻量级模型](#CNN_lite) + - [3.2 轻量级模型](#CNN_lite) - [移动端系列](#Mobile) - [PP-LCNet & PP-LCNetV2 系列](#PPLCNet) -- [Transformer 系列模型](#Transformer_based) - - [服务器端模型](#Transformer_server) +- [四、Transformer 系列模型](#Transformer_based) + - [4.1 服务器端模型](#Transformer_server) - [ViT_and_DeiT 系列](#ViT&DeiT) - [SwinTransformer 系列](#SwinTransformer) - [Twins 系列](#Twins) @@ -39,13 +39,13 @@ - [PVTV2 系列](#PVTV2) - [LeViT 系列](#LeViT) - [TNT 系列](#TNT) - - [轻量级模型](#Transformer_lite) + - [4.2 轻量级模型](#Transformer_lite) - [MobileViT 系列](#MobileViT) -- [参考文献](#reference) +- [五、参考文献](#reference) -## 模型库概览图 +## 一、模型库概览图 基于 ImageNet1k 分类数据集，PaddleClas 支持 37 个系列分类网络结构以及对应的 217 个图像分类预训练模型，训练技巧、每个系列网络结构的简单介绍和性能评估将在相应章节展现，下面所有的速度指标评估环境如下： * Arm CPU 的评估环境基于骁龙 855(SD855)。 @@ -67,12 +67,12 @@ -## SSLD 知识蒸馏预训练模型 +## 二、SSLD 知识蒸馏预训练模型 基于 SSLD 知识蒸馏的预训练模型列表如下所示，更多关于 SSLD 知识蒸馏方案的介绍可以参考：[SSLD 知识蒸馏文档](../../algorithm_introduction/knowledge_distillation.md)。 -### 服务器端知识蒸馏模型 +### 2.1 服务器端知识蒸馏模型 | 模型 | Top-1 Acc | Reference
Top-1 Acc | Acc gain | time(ms)
bs=1 | time(ms)
bs=4 | time(ms)
bs=8 | FLOPs(G) | Params(M) | 预训练模型下载地址 | inference模型下载地址 | |---------------------|-----------|-----------|---------------|----------------|-----------|----------|-----------|-----------------------------------|-----------------------------------|-----------------------------------| @@ -90,7 +90,7 @@ -### 移动端知识蒸馏模型 +### 2.2 移动端知识蒸馏模型 | 模型 | Top-1 Acc | Reference
Top-1 Acc | Acc gain | SD855 time(ms)
bs=1, thread=1 | SD855 time(ms)
bs=1, thread=2 | SD855 time(ms)
bs=1, thread=4 | FLOPs(M) | Params(M) | 模型大小(M) | 预训练模型下载地址 | inference模型下载地址 | |---------------------|-----------|-----------|---------------|----------------|-----------|----------|-----------|-----------------------------------|-----------------------------------|-----------------------------------|-----------------------------------| @@ -103,7 +103,7 @@ -### Intel CPU 端知识蒸馏模型 +### 2.3 Intel CPU 端知识蒸馏模型 | 模型 | Top-1 Acc | Reference
Top-1 Acc | Acc gain | Intel-Xeon-Gold-6148 time(ms)
bs=1 | FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 | |---------------------|-----------|-----------|---------------|----------------|----------|-----------|-----------------------------------|-----------------------------------| @@ -115,11 +115,11 @@ -## CNN 系列模型 +## 三、CNN 系列模型 -### 服务器端模型 +### 3.1 服务器端模型 @@ -394,7 +394,7 @@ ResNeSt 与 RegNet 系列模型的精度、速度指标如下表所示，更多 -### 轻量级模型 +### 3.2 轻量级模型 @@ -472,11 +472,11 @@ PP-LCNet 系列模型的精度、速度指标如下表所示，更多关于该 -### Transformer 系列模型 +### 四、Transformer 系列模型 -### 服务器端模型 +### 4.1 服务器端模型 @@ -602,7 +602,7 @@ ViT(Vision Transformer) 与 DeiT（Data-efficient Image Transformers）系列模 -### 轻量级模型 +### 4.2 轻量级模型 @@ -618,7 +618,7 @@ ViT(Vision Transformer) 与 DeiT（Data-efficient Image Transformers）系列模 -## 参考文献 +## 五、参考文献 [1] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778. -- GitLab