为什么选择 convnext_tiny.in12k_ft_in1k2433张/秒超高速推理模型深度测评【免费下载链接】convnext_tiny.in12k_ft_in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/convnext_tiny.in12k_ft_in1k在计算机视觉领域convnext_tiny.in12k_ft_in1k凭借其惊人的2433张/秒超高速推理能力成为轻量级图像分类任务的理想选择。这款由 Ross Wightman 开发的 ConvNeXt 模型在 ImageNet-12k 数据集上预训练并在 ImageNet-1k 上微调完美平衡了速度与精度为开发者和研究人员提供了高效解决方案。 核心优势速度与精度的终极平衡2433张/秒推理速度碾压同级模型根据 timm 官方测试数据基于 PyTorch 1.13 RTX 3090 AMP 配置convnext_tiny.in12k_ft_in1k在 batch_size256 时达到2433.7 samples/sec的推理速度远超同类模型比 convnext_small.in12k_ft_in1k1474张/秒快65%比 convnext_base.fb_in22k_ft_in1k1037张/秒快134%甚至超过部分轻量级模型如 convnext_tiny.fb_in1k2346张/秒84.186% top1精度商用级性能保障在精度方面该模型在 ImageNet-1k 测试集上实现Top1准确率84.186%Top5准确率97.124%这一成绩使其在 28M 参数级别模型中处于领先地位满足大多数工业级图像分类需求。 模型参数详解小个子大能量convnext_tiny.in12k_ft_in1k的核心参数配置源自 config.json模型类型图像分类/特征提取 backbone参数量28.59 M轻量级部署友好计算量4.47 GMACs低硬件资源需求输入尺寸训练 224×224测试 288×288特征维度768适合下游任务迁移 快速上手3行代码实现图像分类环境准备git clone https://gitcode.com/hf_mirrors/timm/convnext_tiny.in12k_ft_in1k pip install timm torch pillow基础分类代码import timm from PIL import Image from urllib.request import urlopen # 加载预训练模型 model timm.create_model(convnext_tiny.in12k_ft_in1k, pretrainedTrue).eval() # 获取模型专用预处理 transforms timm.data.create_transform(**timm.data.resolve_model_data_config(model), is_trainingFalse) # 推理单张图像 img Image.open(urlopen(https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png)) output model(transforms(img).unsqueeze(0))️ 多样化应用场景1. 实时图像分类系统得益于2433张/秒的推理速度该模型可轻松部署于工业质检流水线安防监控实时分析移动端图像识别应用2. 特征提取 backbone通过设置features_onlyTrue可提取多尺度特征图源自 README.mdmodel timm.create_model(convnext_tiny.in12k_ft_in1k, pretrainedTrue, features_onlyTrue) output model(transforms(img).unsqueeze(0)) # 返回4个尺度特征图适用于目标检测、语义分割等下游任务。3. 低资源设备部署28M 参数4.47 GMACs 的轻量化配置使其可在边缘计算设备如 Jetson Nano嵌入式系统移动端 APP 中高效运行 模型背景与训练细节convnext_tiny.in12k_ft_in1k基于 2022 年 CVPR 论文《A ConvNet for the 2020s》提出的 ConvNeXt 架构采用预训练ImageNet-12k11821类子集微调ImageNet-1k1000类训练资源TPU预训练 8×GPU Lambda Labs 云实例微调 竞品对比为何选择这款模型模型参数量(M)Top1精度推理速度(张/秒)convnext_tiny.in12k_ft_in1k28.684.19%2433convnext_small.in12k_ft_in1k50.285.17%1474resnet5025.679.00%1800mobilenetv23.571.80%2200结论在精度接近 small 版本的前提下tiny 版本速度提升65%是速度优先场景的最佳选择。 引用与致谢misc{rw2019timm, author {Ross Wightman}, title {PyTorch Image Models}, year {2019}, publisher {GitHub}, journal {GitHub repository}, doi {10.5281/zenodo.4414861} }article{liu2022convnet, author {Zhuang Liu and Hanzi Mao and Chao-Yuan Wu and Christoph Feichtenhofer and Trevor Darrell and Saining Xie}, title {A ConvNet for the 2020s}, journal {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year {2022} }该模型的训练得到了 Google TRC 计划和 Lambda Labs 云服务的支持在此表示感谢。 更多资源完整模型卡片README.md配置详情config.json官方代码库PyTorch Image Models (timm)【免费下载链接】convnext_tiny.in12k_ft_in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/convnext_tiny.in12k_ft_in1k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
