iresnet

Redes residuais melhoradas

Esta é uma implementação PyTorch do artigo "Redes residuais aprimoradas para reconhecimento de imagem e vídeo":

 @article{duta2020improved,
  author  = {Ionut Cosmin Duta and Li Liu and Fan Zhu and Ling Shao},
  title   = {Improved Residual Networks for Image and Video Recognition},
  journal = {arXiv preprint arXiv:2004.04989},
  year    = {2020},
}

Os modelos treinados no ImageNet podem ser encontrados aqui.

A iResNet (rede residual melhorada) é capaz de melhorar a linha de base (ResNet) em termos de desempenho de reconhecimento sem aumentar o número de parâmetros e custos computacionais. O iResNet é muito eficaz no treinamento de modelos muito profundos (veja o artigo para detalhes).

A precisão no ImageNet (usando as configurações de treinamento padrão):

Rede	50 camadas	101 camadas	152 camadas	200 camadas
ResNet	76,12% (modelo)	78,00% (modelo)	78,45% (modelo)	77,55% (modelo)
iResnet	77,31 % (modelo)	78,64 % (modelo)	79,34 % (modelo)	79,48 % (modelo)

Requisitos

Instale o conjunto de dados PyTorch e ImageNet seguindo o código de treinamento oficial do PyTorch ImageNet.

Uma alternativa rápida (sem a necessidade de instalar PyTorch e outras bibliotecas de aprendizado profundo) é usar NVIDIA-Docker, usamos esta imagem de contêiner.

Treinamento

Para treinar um modelo (por exemplo, iResNet com 50 camadas) usando DataParallel execute main.py ; você também precisa fornecer result_path (o caminho do diretório onde salvar os resultados e logs) e --data (o caminho para o conjunto de dados ImageNet):

result_path=/your/path/to/save/results/and/logs/
mkdir -p ${result_path}
python main.py 
--data /your/path/to/ImageNet/dataset/ 
--result_path ${result_path} 
--arch iresnet 
--model_depth 50

Para treinar usando treinamento paralelo de dados distribuídos de multiprocessamento, siga as instruções no código de treinamento oficial do PyTorch ImageNet.