iresnet

Улучшенные остаточные сети

Это реализация PyTorch статьи «Улучшенные остаточные сети для распознавания изображений и видео»:

 @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},
}

Модели, обученные в ImageNet, можно найти здесь.

iResNet (улучшенная остаточная сеть) способна улучшить базовый уровень (ResNet) с точки зрения производительности распознавания без увеличения количества параметров и вычислительных затрат. iResNet очень эффективен при обучении очень глубоких моделей (подробности см. в статье).

Точность в ImageNet (с использованием настроек обучения по умолчанию):

Сеть	50 слоев	101 слой	152 слоя	200 слоев
РесНет	76,12% (модель)	78,00% (модель)	78,45% (модель)	77,55% (модель)
iResnet	77,31 % (модель)	78,64 % (модель)	79,34 % (модель)	79,48 % (модель)

Требования

Установите набор данных PyTorch и ImageNet, следуя официальному учебному коду PyTorch ImageNet.

Быстрая альтернатива (без необходимости установки PyTorch и других библиотек глубокого обучения) — использовать NVIDIA-Docker, мы использовали этот образ контейнера.

Обучение

Чтобы обучить модель (например, iResNet с 50 слоями) с помощью DataParallel, запустите main.py ; вам также необходимо указать result_path (путь к каталогу, в котором сохраняются результаты и журналы) и --data (путь к набору данных 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

Для обучения с использованием параллельного обучения с многопроцессорной обработкой распределенных данных следуйте инструкциям в официальном учебном коде PyTorch ImageNet.