VGG 特征图提取实战：vgg11.tv_in1k features_only 五层 512 通道输出全解析

【免费下载链接】vgg11.tv_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/vgg11.tv_in1k点击查看免费下载vgg11.tv_in1k是 timm 生态中的 VGG 图像分类预训练模型ImageNet-1k 训练、132.9M 参数。如果你只想知道怎么用一句话就够把features_onlyTrue传给timm.create_model它立刻从分类器变成特征主干一口气输出五层特征图其中三层达到512 通道——做检测锚点、语义分割、图像检索都绰绰有余。为什么选 vgg11.tv_in1k 做特征图提取⚡轻量快速132.9M 参数、7.6 GMACs比 ResNet 和 ViT 类大模型轻得多适合端侧与快速原型✅权重成熟可靠tv_in1k标签表示权重来自 torchvision 原版 ImageNet-1k 预训练一行参数切换timm 的features_onlyTrue让你无需改任何结构代码五层特征图浅到深全覆盖空间尺寸 224 → 112 → 56 → 28 → 14 → 7从边缘纹理一路到高层语义模型统计数据来自 README.md指标数值参数量 Params (M)132.9计算量 GMACs7.6激活值 Activations (M)7.4推荐输入 Image size224 × 224一键下载与安装步骤仓库共 4 个文件模型说明 README.md、模型配置 config.json以及 model.safetensors 与 pytorch_model.bin 两种格式的预训练权重各约 531 MB通过 Git LFS 拉取。git clone https://gitcode.com/hf_mirrors/timm/vgg11.tv_in1k.git cd vgg11.tv_in1k pip install timm torchmodel.safetensors是轻量安全的权重格式加载更快pytorch_model.bin是传统 PyTorch 格式按框架需求二选一即可。features_only 快速上手一次输出五层特征图from PIL import Image import timm img Image.open(your_image.jpg) model timm.create_model(vgg11.tv_in1k, pretrainedTrue, features_onlyTrue) model model.eval() # 获取该模型的归一化与 resize 配置推荐做法 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) output model(transforms(img).unsqueeze(0)) # unsqueeze 成 batch for o in output: print(o.shape)运行后即可看到完整的五段卷积块 末尾池化共 6 个特征图完整示例见 README.md 的 Feature Map Extraction 章节torch.Size([1, 64, 224, 224]) torch.Size([1, 128, 112, 112]) torch.Size([1, 256, 56, 56]) torch.Size([1, 512, 28, 28]) torch.Size([1, 512, 14, 14]) torch.Size([1, 512, 7, 7])五层 512 通道输出逐层解读层形状通道数空间尺寸关注内容Block 1[1, 64, 224, 224]64224×224边缘、纹理等低级特征Block 2[1, 128, 112, 112]128112×112部件、色块Block 3[1, 256, 56, 56]25656×56物体局部结构Block 4[1, 512, 28, 28]51228×28物体级语义检测首选Block 5[1, 512, 14, 14]51214×14更高层语义末尾池化[1, 512, 7, 7]5127×7全局特征接近分类输入三个512 通道层28×28、14×14、7×7是本次解析的重点28×28 层目标检测锚点RPN的常用选择空间细节与语义平衡最好14×14 层适合多尺度特征融合如 FPN与高分辨率分割7×7 层等价于未池化的全局特征再全局平均即得 512 维向量天然适合图像检索与相似度比较三个高频实战场景目标检测锚点把 28×28 / 14×14 的 512 通道特征图喂给 RPN 与分类分支经典两阶段检测器结构直接对号入座图像检索 embeddingcreate_model时设num_classes0或调用model.forward_features(x)拿到 512 维向量用余弦相似度即可比对特征可视化对 512 通道特征图按通道求均值并套色图马上得到模型在关注哪里的可视化热力图常见坑位归一化与输入尺寸归一化必须对齐config.json 中定义了mean [0.485, 0.456, 0.406]、std [0.229, 0.224, 0.225]。如果自己手搓 transform务必使用相同数值否则特征图输出会整体偏移输入尺寸推荐 224×224验证配置为crop_pct 0.875、中心裁剪换尺寸时特征图空间维会按比例缩放features_only vs num_classes0前者返回特征图列表后者是去掉分类头、只返回最终 embedding按需选用仓库文件结构速览vgg11.tv_in1k/ ├── README.md # 模型说明、分类/特征图/向量三种用法示例 ├── config.json # 架构、归一化、输入尺寸等配置 ├── model.safetensors # 预训练权重safetensors 格式约 531 MB └── pytorch_model.bin # 预训练权重PyTorch 格式约 531 MB总结vgg11.tv_in1k 用一行features_onlyTrue就把 VGG 变成了趁手的特征提取主干从 224 到 7 的五层输出、三层 512 通道覆盖检测锚点、多尺度融合到 512 维 embedding 的全场景。想快速验证特征网络而又不想自己训模型它是一个开箱即用的选择。赞分享【免费下载链接】vgg11.tv_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/vgg11.tv_in1k点击查看免费下载相关推荐res2net50_26w_4s.in1k 特征图提取指南features_only 输出 5 组特征金字塔详解res2net50_26w_4s.in1k 特征图提取指南features_only 输出 5 组特征金字塔详解 res2net50_26w_4s.in1kbat_resnext26ts.ch_in1k特征提取实战用features_only一键获取5级特征图bat_resnext26ts.ch_in1k特征提取实战用features_only一键获取5级特征图 bat_resnext26ts.ch_in1k 是如何用tf_efficientnetv2_b3.in1k提取多层特征图features_only参数实战教程如何用tf_efficientnetv2_b3.in1k提取多层特征图features_only参数实战教程 tf_efficientnetv2_b3.in1上一篇XGLM-1.7B企业级应用案例多语言客服、内容创作与数据分析下一篇终极词典格式转换指南PyGlossary让你在任何设备上自由使用离线词典创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考