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)。
- Intel CPU 的评估环境基于 Intel(R) Xeon(R) Gold 6148。
- GPU 评估环境基于 V100 机器,在 FP32+TensorRT 配置下运行 2100 次测得(去除前 100 次的 warmup 时间)。
- FLOPs 与 Params 通过
paddle.flops()
计算得到(PaddlePaddle 版本为 2.2)
常见服务器端模型的精度指标与其预测耗时的变化曲线如下图所示。
常见移动端模型的精度指标与其预测耗时的变化曲线如下图所示。
部分VisionTransformer模型的精度指标与其预测耗时的变化曲线如下图所示.
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。
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 |
---|---|---|---|---|---|---|---|---|---|---|
ResNet34_vd_ssld | 0.797 | 0.760 | 0.037 | 2.00 | 3.28 | 5.84 | 3.93 | 21.84 | 下载链接 | 下载链接 |
ResNet50_vd_ssld | 0.830 | 0.792 | 0.039 | 2.60 | 4.86 | 7.63 | 4.35 | 25.63 | 下载链接 | 下载链接 |
ResNet101_vd_ssld | 0.837 | 0.802 | 0.035 | 4.43 | 8.25 | 12.60 | 8.08 | 44.67 | 下载链接 | 下载链接 |
Res2Net50_vd_26w_4s_ssld | 0.831 | 0.798 | 0.033 | 3.59 | 6.35 | 9.50 | 4.28 | 25.76 | 下载链接 | 下载链接 |
Res2Net101_vd_ 26w_4s_ssld |
0.839 | 0.806 | 0.033 | 6.34 | 11.02 | 16.13 | 8.35 | 45.35 | 下载链接 | 下载链接 |
Res2Net200_vd_ 26w_4s_ssld |
0.851 | 0.812 | 0.049 | 11.45 | 19.77 | 28.81 | 15.77 | 76.44 | 下载链接 | 下载链接 |
HRNet_W18_C_ssld | 0.812 | 0.769 | 0.043 | 6.66 | 8.94 | 11.95 | 4.32 | 21.35 | 下载链接 | 下载链接 |
HRNet_W48_C_ssld | 0.836 | 0.790 | 0.046 | 11.07 | 17.06 | 27.28 | 17.34 | 77.57 | 下载链接 | 下载链接 |
SE_HRNet_W64_C_ssld | 0.848 | - | - | 17.11 | 26.87 | 43.24 | 29.00 | 129.12 | 下载链接 | 下载链接 |
PPHGNet_tiny_ssld | 0.8195 | 0.7983 | 0.021 | 1.77 | - | - | 4.54 | 14.75 | 下载链接 | 下载链接 |
PPHGNet_small_ssld | 0.8382 | 0.8151 | 0.023 | 2.52 | - | - | 8.53 | 24.38 | 下载链接 | 下载链接 |
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 |
---|---|---|---|---|---|---|---|---|---|---|---|
MobileNetV1_ssld | 0.779 | 0.710 | 0.069 | 30.24 | 17.86 | 10.30 | 578.88 | 4.25 | 16 | 下载链接 | 下载链接 |
MobileNetV2_ssld | 0.767 | 0.722 | 0.045 | 20.74 | 12.71 | 8.10 | 327.84 | 3.54 | 14 | 下载链接 | 下载链接 |
MobileNetV3_small_x0_35_ssld | 0.556 | 0.530 | 0.026 | 2.23 | 1.66 | 1.43 | 14.56 | 1.67 | 6.9 | 下载链接 | 下载链接 |
MobileNetV3_large_x1_0_ssld | 0.790 | 0.753 | 0.036 | 16.55 | 10.09 | 6.84 | 229.66 | 5.50 | 21 | 下载链接 | 下载链接 |
MobileNetV3_small_x1_0_ssld | 0.713 | 0.682 | 0.031 | 5.63 | 3.65 | 2.60 | 63.67 | 2.95 | 12 | 下载链接 | 下载链接 |
GhostNet_x1_3_ssld | 0.794 | 0.757 | 0.037 | 19.16 | 12.25 | 9.40 | 236.89 | 7.38 | 29 | 下载链接 | 下载链接 |
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 |
---|---|---|---|---|---|---|---|---|
PPLCNet_x0_5_ssld | 0.661 | 0.631 | 0.030 | 2.05 | 47.28 | 1.89 | 下载链接 | 下载链接 |
PPLCNet_x1_0_ssld | 0.744 | 0.713 | 0.033 | 2.46 | 160.81 | 2.96 | 下载链接 | 下载链接 |
PPLCNet_x2_5_ssld | 0.808 | 0.766 | 0.042 | 5.39 | 906.49 | 9.04 | 下载链接 | 下载链接 |
- 注:
Reference Top-1 Acc
表示 PaddleClas 基于 ImageNet1k 数据集训练得到的预训练模型精度。
PP-HGNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:PP-HGNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
PPHGNet_tiny | 0.7983 | 0.9504 | 1.77 | - | - | 4.54 | 14.75 | 下载链接 | 下载链接 |
PPHGNet_tiny_ssld | 0.8195 | 0.9612 | 1.77 | - | - | 4.54 | 14.75 | 下载链接 | 下载链接 |
PPHGNet_small | 0.8151 | 0.9582 | 2.52 | - | - | 8.53 | 24.38 | 下载链接 | 下载链接 |
PPHGNet_small_ssld | 0.8382 | 0.9681 | 2.52 | - | - | 8.53 | 24.38 | 下载链接 | 下载链接 |
PPHGNet_base_ssld | 0.8500 | 0.9735 | 5.97 | - | - | 25.14 | 71.62 | 下载链接 | 下载链接 |
ResNet 系列 [1]
ResNet 及其 Vd 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:ResNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ResNet18 | 0.7098 | 0.8992 | 1.22 | 2.19 | 3.63 | 1.83 | 11.70 | 下载链接 | 下载链接 |
ResNet18_vd | 0.7226 | 0.9080 | 1.26 | 2.28 | 3.89 | 2.07 | 11.72 | 下载链接 | 下载链接 |
ResNet34 | 0.7457 | 0.9214 | 1.97 | 3.25 | 5.70 | 3.68 | 21.81 | 下载链接 | 下载链接 |
ResNet34_vd | 0.7598 | 0.9298 | 2.00 | 3.28 | 5.84 | 3.93 | 21.84 | 下载链接 | 下载链接 |
ResNet34_vd_ssld | 0.7972 | 0.9490 | 2.00 | 3.28 | 5.84 | 3.93 | 21.84 | 下载链接 | 下载链接 |
ResNet50 | 0.7650 | 0.9300 | 2.54 | 4.79 | 7.40 | 4.11 | 25.61 | 下载链接 | 下载链接 |
ResNet50_vc | 0.7835 | 0.9403 | 2.57 | 4.83 | 7.52 | 4.35 | 25.63 | 下载链接 | 下载链接 |
ResNet50_vd | 0.7912 | 0.9444 | 2.60 | 4.86 | 7.63 | 4.35 | 25.63 | 下载链接 | 下载链接 |
ResNet101 | 0.7756 | 0.9364 | 4.37 | 8.18 | 12.38 | 7.83 | 44.65 | 下载链接 | 下载链接 |
ResNet101_vd | 0.8017 | 0.9497 | 4.43 | 8.25 | 12.60 | 8.08 | 44.67 | 下载链接 | 下载链接 |
ResNet152 | 0.7826 | 0.9396 | 6.05 | 11.41 | 17.33 | 11.56 | 60.34 | 下载链接 | 下载链接 |
ResNet152_vd | 0.8059 | 0.9530 | 6.11 | 11.51 | 17.59 | 11.80 | 60.36 | 下载链接 | 下载链接 |
ResNet200_vd | 0.8093 | 0.9533 | 7.70 | 14.57 | 22.16 | 15.30 | 74.93 | 下载链接 | 下载链接 |
ResNet50_vd_ ssld |
0.8300 | 0.9640 | 2.60 | 4.86 | 7.63 | 4.35 | 25.63 | 下载链接 | 下载链接 |
ResNet101_vd_ ssld |
0.8373 | 0.9669 | 4.43 | 8.25 | 12.60 | 8.08 | 44.67 | 下载链接 | 下载链接 |
ResNeXt 系列 [7]
ResNeXt 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:ResNeXt 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ResNeXt50_ 32x4d |
0.7775 | 0.9382 | 5.07 | 8.49 | 12.02 | 4.26 | 25.10 | 下载链接 | 下载链接 |
ResNeXt50_vd_ 32x4d |
0.7956 | 0.9462 | 5.29 | 8.68 | 12.33 | 4.50 | 25.12 | 下载链接 | 下载链接 |
ResNeXt50_ 64x4d |
0.7843 | 0.9413 | 9.39 | 13.97 | 20.56 | 8.02 | 45.29 | 下载链接 | 下载链接 |
ResNeXt50_vd_ 64x4d |
0.8012 | 0.9486 | 9.75 | 14.14 | 20.84 | 8.26 | 45.31 | 下载链接 | 下载链接 |
ResNeXt101_ 32x4d |
0.7865 | 0.9419 | 11.34 | 16.78 | 22.80 | 8.01 | 44.32 | 下载链接 | 下载链接 |
ResNeXt101_vd_ 32x4d |
0.8033 | 0.9512 | 11.36 | 17.01 | 23.07 | 8.25 | 44.33 | 下载链接 | 下载链接 |
ResNeXt101_ 64x4d |
0.7835 | 0.9452 | 21.57 | 28.08 | 39.49 | 15.52 | 83.66 | 下载链接 | 下载链接 |
ResNeXt101_vd_ 64x4d |
0.8078 | 0.9520 | 21.57 | 28.22 | 39.70 | 15.76 | 83.68 | 下载链接 | 下载链接 |
ResNeXt152_ 32x4d |
0.7898 | 0.9433 | 17.14 | 25.11 | 33.79 | 11.76 | 60.15 | 下载链接 | 下载链接 |
ResNeXt152_vd_ 32x4d |
0.8072 | 0.9520 | 16.99 | 25.29 | 33.85 | 12.01 | 60.17 | 下载链接 | 下载链接 |
ResNeXt152_ 64x4d |
0.7951 | 0.9471 | 33.07 | 42.05 | 59.13 | 23.03 | 115.27 | 下载链接 | 下载链接 |
ResNeXt152_vd_ 64x4d |
0.8108 | 0.9534 | 33.30 | 42.41 | 59.42 | 23.27 | 115.29 | 下载链接 | 下载链接 |
Res2Net 系列 [9]
Res2Net 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:Res2Net 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
Res2Net50_ 26w_4s |
0.7933 | 0.9457 | 3.52 | 6.23 | 9.30 | 4.28 | 25.76 | 下载链接 | 下载链接 |
Res2Net50_vd_ 26w_4s |
0.7975 | 0.9491 | 3.59 | 6.35 | 9.50 | 4.52 | 25.78 | 下载链接 | 下载链接 |
Res2Net50_ 14w_8s |
0.7946 | 0.9470 | 4.39 | 7.21 | 10.38 | 4.20 | 25.12 | 下载链接 | 下载链接 |
Res2Net101_vd_ 26w_4s |
0.8064 | 0.9522 | 6.34 | 11.02 | 16.13 | 8.35 | 45.35 | 下载链接 | 下载链接 |
Res2Net200_vd_ 26w_4s |
0.8121 | 0.9571 | 11.45 | 19.77 | 28.81 | 15.77 | 76.44 | 下载链接 | 下载链接 |
Res2Net200_vd_ 26w_4s_ssld |
0.8513 | 0.9742 | 11.45 | 19.77 | 28.81 | 15.77 | 76.44 | 下载链接 | 下载链接 |
SENet 系列 [8]
SENet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:SENet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
SE_ResNet18_vd | 0.7333 | 0.9138 | 1.48 | 2.70 | 4.32 | 2.07 | 11.81 | 下载链接 | 下载链接 |
SE_ResNet34_vd | 0.7651 | 0.9320 | 2.42 | 3.69 | 6.29 | 3.93 | 22.00 | 下载链接 | 下载链接 |
SE_ResNet50_vd | 0.7952 | 0.9475 | 3.11 | 5.99 | 9.34 | 4.36 | 28.16 | 下载链接 | 下载链接 |
SE_ResNeXt50_ 32x4d |
0.7844 | 0.9396 | 6.39 | 11.01 | 14.94 | 4.27 | 27.63 | 下载链接 | 下载链接 |
SE_ResNeXt50_vd_ 32x4d |
0.8024 | 0.9489 | 7.04 | 11.57 | 16.01 | 5.64 | 27.76 | 下载链接 | 下载链接 |
SE_ResNeXt101_ 32x4d |
0.7939 | 0.9443 | 13.31 | 21.85 | 28.77 | 8.03 | 49.09 | 下载链接 | 下载链接 |
SENet154_vd | 0.8140 | 0.9548 | 34.83 | 51.22 | 69.74 | 24.45 | 122.03 | 下载链接 | 下载链接 |
DPN 系列 [14]
DPN 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:DPN 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
DPN68 | 0.7678 | 0.9343 | 8.18 | 11.40 | 14.82 | 2.35 | 12.68 | 下载链接 | 下载链接 |
DPN92 | 0.7985 | 0.9480 | 12.48 | 20.04 | 25.10 | 6.54 | 37.79 | 下载链接 | 下载链接 |
DPN98 | 0.8059 | 0.9510 | 14.70 | 25.55 | 35.12 | 11.728 | 61.74 | 下载链接 | 下载链接 |
DPN107 | 0.8089 | 0.9532 | 19.46 | 35.62 | 50.22 | 18.38 | 87.13 | 下载链接 | 下载链接 |
DPN131 | 0.8070 | 0.9514 | 19.64 | 34.60 | 47.42 | 16.09 | 79.48 | 下载链接 | 下载链接 |
DenseNet 系列 [15]
DenseNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:DenseNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
DenseNet121 | 0.7566 | 0.9258 | 3.40 | 6.94 | 9.17 | 2.87 | 8.06 | 下载链接 | 下载链接 |
DenseNet161 | 0.7857 | 0.9414 | 7.06 | 14.37 | 19.55 | 7.79 | 28.90 | 下载链接 | 下载链接 |
DenseNet169 | 0.7681 | 0.9331 | 5.00 | 10.29 | 12.84 | 3.40 | 14.31 | 下载链接 | 下载链接 |
DenseNet201 | 0.7763 | 0.9366 | 6.38 | 13.72 | 17.17 | 4.34 | 20.24 | 下载链接 | 下载链接 |
DenseNet264 | 0.7796 | 0.9385 | 9.34 | 20.95 | 25.41 | 5.82 | 33.74 | 下载链接 | 下载链接 |
HRNet 系列 [13]
HRNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:HRNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
HRNet_W18_C | 0.7692 | 0.9339 | 6.66 | 8.94 | 11.95 | 4.32 | 21.35 | 下载链接 | 下载链接 |
HRNet_W18_C_ssld | 0.81162 | 0.95804 | 6.66 | 8.94 | 11.95 | 4.32 | 21.35 | 下载链接 | 下载链接 |
HRNet_W30_C | 0.7804 | 0.9402 | 8.61 | 11.40 | 15.23 | 8.15 | 37.78 | 下载链接 | 下载链接 |
HRNet_W32_C | 0.7828 | 0.9424 | 8.54 | 11.58 | 15.57 | 8.97 | 41.30 | 下载链接 | 下载链接 |
HRNet_W40_C | 0.7877 | 0.9447 | 9.83 | 15.02 | 20.92 | 12.74 | 57.64 | 下载链接 | 下载链接 |
HRNet_W44_C | 0.7900 | 0.9451 | 10.62 | 16.18 | 25.92 | 14.94 | 67.16 | 下载链接 | 下载链接 |
HRNet_W48_C | 0.7895 | 0.9442 | 11.07 | 17.06 | 27.28 | 17.34 | 77.57 | 下载链接 | 下载链接 |
HRNet_W48_C_ssld | 0.8363 | 0.9682 | 11.07 | 17.06 | 27.28 | 17.34 | 77.57 | 下载链接 | 下载链接 |
HRNet_W64_C | 0.7930 | 0.9461 | 13.82 | 21.15 | 35.51 | 28.97 | 128.18 | 下载链接 | 下载链接 |
SE_HRNet_W64_C_ssld | 0.8475 | 0.9726 | 17.11 | 26.87 | 43.24 | 29.00 | 129.12 | 下载链接 | 下载链接 |
Inception 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:Inception 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
GoogLeNet | 0.7070 | 0.8966 | 1.41 | 3.25 | 5.00 | 1.44 | 11.54 | 下载链接 | 下载链接 |
Xception41 | 0.7930 | 0.9453 | 3.58 | 8.76 | 16.61 | 8.57 | 23.02 | 下载链接 | 下载链接 |
Xception41_deeplab | 0.7955 | 0.9438 | 3.81 | 9.16 | 17.20 | 9.28 | 27.08 | 下载链接 | 下载链接 |
Xception65 | 0.8100 | 0.9549 | 5.45 | 12.78 | 24.53 | 13.25 | 36.04 | 下载链接 | 下载链接 |
Xception65_deeplab | 0.8032 | 0.9449 | 5.65 | 13.08 | 24.61 | 13.96 | 40.10 | 下载链接 | 下载链接 |
Xception71 | 0.8111 | 0.9545 | 6.19 | 15.34 | 29.21 | 16.21 | 37.86 | 下载链接 | 下载链接 |
InceptionV3 | 0.7914 | 0.9459 | 4.78 | 8.53 | 12.28 | 5.73 | 23.87 | 下载链接 | 下载链接 |
InceptionV4 | 0.8077 | 0.9526 | 8.93 | 15.17 | 21.56 | 12.29 | 42.74 | 下载链接 | 下载链接 |
EfficientNet 系列 [16]
EfficientNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:EfficientNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
EfficientNetB0 | 0.7738 | 0.9331 | 1.96 | 3.71 | 5.56 | 0.40 | 5.33 | 下载链接 | 下载链接 |
EfficientNetB1 | 0.7915 | 0.9441 | 2.88 | 5.40 | 7.63 | 0.71 | 7.86 | 下载链接 | 下载链接 |
EfficientNetB2 | 0.7985 | 0.9474 | 3.26 | 6.20 | 9.17 | 1.02 | 9.18 | 下载链接 | 下载链接 |
EfficientNetB3 | 0.8115 | 0.9541 | 4.52 | 8.85 | 13.54 | 1.88 | 12.324 | 下载链接 | 下载链接 |
EfficientNetB4 | 0.8285 | 0.9623 | 6.78 | 15.47 | 24.95 | 4.51 | 19.47 | 下载链接 | 下载链接 |
EfficientNetB5 | 0.8362 | 0.9672 | 10.97 | 27.24 | 45.93 | 10.51 | 30.56 | 下载链接 | 下载链接 |
EfficientNetB6 | 0.8400 | 0.9688 | 17.09 | 43.32 | 76.90 | 19.47 | 43.27 | 下载链接 | 下载链接 |
EfficientNetB7 | 0.8430 | 0.9689 | 25.91 | 71.23 | 128.20 | 38.45 | 66.66 | 下载链接 | 下载链接 |
EfficientNetB0_ small |
0.7580 | 0.9258 | 1.24 | 2.59 | 3.92 | 0.40 | 4.69 | 下载链接 | 下载链接 |
ResNeXt101_wsl 系列 [17]
ResNeXt101_wsl 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:ResNeXt101_wsl 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ResNeXt101_ 32x8d_wsl |
0.8255 | 0.9674 | 13.55 | 23.39 | 36.18 | 16.48 | 88.99 | 下载链接 | 下载链接 |
ResNeXt101_ 32x16d_wsl |
0.8424 | 0.9726 | 21.96 | 38.35 | 63.29 | 36.26 | 194.36 | 下载链接 | 下载链接 |
ResNeXt101_ 32x32d_wsl |
0.8497 | 0.9759 | 37.28 | 76.50 | 121.56 | 87.28 | 469.12 | 下载链接 | 下载链接 |
ResNeXt101_ 32x48d_wsl |
0.8537 | 0.9769 | 55.07 | 124.39 | 205.01 | 153.57 | 829.26 | 下载链接 | 下载链接 |
Fix_ResNeXt101_ 32x48d_wsl |
0.8626 | 0.9797 | 55.01 | 122.63 | 204.66 | 313.41 | 829.26 | 下载链接 | 下载链接 |
ResNeSt 系列 [24]
ResNeSt 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:ResNeSt 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ResNeSt50_ fast_1s1x64d |
0.8035 | 0.9528 | 2.73 | 5.33 | 8.24 | 4.36 | 26.27 | 下载链接 | 下载链接 |
ResNeSt50 | 0.8083 | 0.9542 | 7.36 | 10.23 | 13.84 | 5.40 | 27.54 | 下载链接 | 下载链接 |
RegNet 系列 [25]
RegNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:RegNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
RegNetX_4GF | 0.785 | 0.9416 | 6.46 | 8.48 | 11.45 | 4.00 | 22.23 | 下载链接 | 下载链接 |
RepVGG 系列 [36]
关于 RepVGG 系列模型的精度、速度指标如下表所示,更多介绍可以参考:RepVGG 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
RepVGG_A0 | 0.7131 | 0.9016 | 1.36 | 8.31 | 下载链接 | 下载链接 | |||
RepVGG_A1 | 0.7380 | 0.9146 | 2.37 | 12.79 | 下载链接 | 下载链接 | |||
RepVGG_A2 | 0.7571 | 0.9264 | 5.12 | 25.50 | 下载链接 | 下载链接 | |||
RepVGG_B0 | 0.7450 | 0.9213 | 3.06 | 14.34 | 下载链接 | 下载链接 | |||
RepVGG_B1 | 0.7773 | 0.9385 | 11.82 | 51.83 | 下载链接 | 下载链接 | |||
RepVGG_B2 | 0.7813 | 0.9410 | 18.38 | 80.32 | 下载链接 | 下载链接 | |||
RepVGG_B1g2 | 0.7732 | 0.9359 | 8.82 | 41.36 | 下载链接 | 下载链接 | |||
RepVGG_B1g4 | 0.7675 | 0.9335 | 7.31 | 36.13 | 下载链接 | 下载链接 | |||
RepVGG_B2g4 | 0.7881 | 0.9448 | 11.34 | 55.78 | 下载链接 | 下载链接 | |||
RepVGG_B3g4 | 0.7965 | 0.9485 | 16.07 | 75.63 | 下载链接 | 下载链接 |
MixNet 系列 [29]
关于 MixNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:MixNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | time(ms) bs=1 |
time(ms) bs=4 |
time(ms) bs=8 |
FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|---|---|
MixNet_S | 0.7628 | 0.9299 | 2.31 | 3.63 | 5.20 | 252.977 | 4.167 | 下载链接 | 下载链接 |
MixNet_M | 0.7767 | 0.9364 | 2.84 | 4.60 | 6.62 | 357.119 | 5.065 | 下载链接 | 下载链接 |
MixNet_L | 0.7860 | 0.9437 | 3.16 | 5.55 | 8.03 | 579.017 | 7.384 | 下载链接 | 下载链接 |
ReXNet 系列 [30]
关于 ReXNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:ReXNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ReXNet_1_0 | 0.7746 | 0.9370 | 3.08 | 4.15 | 5.49 | 0.415 | 4.84 | 下载链接 | 下载链接 |
ReXNet_1_3 | 0.7913 | 0.9464 | 3.54 | 4.87 | 6.54 | 0.68 | 7.61 | 下载链接 | 下载链接 |
ReXNet_1_5 | 0.8006 | 0.9512 | 3.68 | 5.31 | 7.38 | 0.90 | 9.79 | 下载链接 | 下载链接 |
ReXNet_2_0 | 0.8122 | 0.9536 | 4.30 | 6.54 | 9.19 | 1.56 | 16.45 | 下载链接 | 下载链接 |
ReXNet_3_0 | 0.8209 | 0.9612 | 5.74 | 9.49 | 13.62 | 3.44 | 34.83 | 下载链接 | 下载链接 |
HarDNet 系列 [37]
关于 HarDNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:HarDNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
HarDNet39_ds | 0.7133 | 0.8998 | 1.40 | 2.30 | 3.33 | 0.44 | 3.51 | 下载链接 | 下载链接 |
HarDNet68_ds | 0.7362 | 0.9152 | 2.26 | 3.34 | 5.06 | 0.79 | 4.20 | 下载链接 | 下载链接 |
HarDNet68 | 0.7546 | 0.9265 | 3.58 | 8.53 | 11.58 | 4.26 | 17.58 | 下载链接 | 下载链接 |
HarDNet85 | 0.7744 | 0.9355 | 6.24 | 14.85 | 20.57 | 9.09 | 36.69 | 下载链接 | 下载链接 |
DLA 系列 [38]
关于 DLA 系列模型的精度、速度指标如下表所示,更多介绍可以参考:DLA 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
DLA102 | 0.7893 | 0.9452 | 4.95 | 8.08 | 12.40 | 7.19 | 33.34 | 下载链接 | 下载链接 |
DLA102x2 | 0.7885 | 0.9445 | 19.58 | 23.97 | 31.37 | 9.34 | 41.42 | 下载链接 | 下载链接 |
DLA102x | 0.781 | 0.9400 | 11.12 | 15.60 | 20.37 | 5.89 | 26.40 | 下载链接 | 下载链接 |
DLA169 | 0.7809 | 0.9409 | 7.70 | 12.25 | 18.90 | 11.59 | 53.50 | 下载链接 | 下载链接 |
DLA34 | 0.7603 | 0.9298 | 1.83 | 3.37 | 5.98 | 3.07 | 15.76 | 下载链接 | 下载链接 |
DLA46_c | 0.6321 | 0.853 | 1.06 | 2.08 | 3.23 | 0.54 | 1.31 | 下载链接 | 下载链接 |
DLA60 | 0.7610 | 0.9292 | 2.78 | 5.36 | 8.29 | 4.26 | 22.08 | 下载链接 | 下载链接 |
DLA60x_c | 0.6645 | 0.8754 | 1.79 | 3.68 | 5.19 | 0.59 | 1.33 | 下载链接 | 下载链接 |
DLA60x | 0.7753 | 0.9378 | 5.98 | 9.24 | 12.52 | 3.54 | 17.41 | 下载链接 | 下载链接 |
RedNet 系列 [39]
关于 RedNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:RedNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
RedNet26 | 0.7595 | 0.9319 | 4.45 | 15.16 | 29.03 | 1.69 | 9.26 | 下载链接 | 下载链接 |
RedNet38 | 0.7747 | 0.9356 | 6.24 | 21.39 | 41.26 | 2.14 | 12.43 | 下载链接 | 下载链接 |
RedNet50 | 0.7833 | 0.9417 | 8.04 | 27.71 | 53.73 | 2.61 | 15.60 | 下载链接 | 下载链接 |
RedNet101 | 0.7894 | 0.9436 | 13.07 | 44.12 | 83.28 | 4.59 | 25.76 | 下载链接 | 下载链接 |
RedNet152 | 0.7917 | 0.9440 | 18.66 | 63.27 | 119.48 | 6.57 | 34.14 | 下载链接 | 下载链接 |
ConvNeXt 系列 [43]
关于 ConvNeXt 系列模型的精度、速度指标如下表所示,更多介绍可以参考:ConvNeXt 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ConvNeXt_tiny | 0.8203 | 0.9590 | - | - | - | 4.458 | 28.583 | 下载链接 | 下载链接 |
VAN 系列 [44]
关于 VAN 系列模型的精度、速度指标如下表所示,更多介绍可以参考:VAN 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
VAN_B0 | 0.7535 | 0.9299 | - | - | - | 0.880 | 4.110 | 下载链接 | 下载链接 |
PeleeNet 系列 [45]
关于 PeleeNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:PeleeNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
PeleeNet | 0.7153 | 0.9040 | - | - | - | 0.514 | 2.812 | 下载链接 | 下载链接 |
CSPNet 系列 [46]
关于 CSPNet 系列模型的精度、速度指标如下表所示,更多介绍可以参考:CSPNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
CSPDarkNet53 | 0.7725 | 0.9355 | - | - | - | 5.041 | 27.678 | 下载链接 | 下载链接 |
VGG 系列 [20]
关于 VGG 系列模型的精度、速度指标如下表所示,更多介绍可以参考:VGG 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
VGG11 | 0.693 | 0.891 | 1.72 | 4.15 | 7.24 | 7.61 | 132.86 | 下载链接 | 下载链接 |
VGG13 | 0.700 | 0.894 | 2.02 | 5.28 | 9.54 | 11.31 | 133.05 | 下载链接 | 下载链接 |
VGG16 | 0.720 | 0.907 | 2.48 | 6.79 | 12.33 | 15.470 | 138.35 | 下载链接 | 下载链接 |
VGG19 | 0.726 | 0.909 | 2.93 | 8.28 | 15.21 | 19.63 | 143.66 | 下载链接 | 下载链接 |
关于 AlexNet [18]、SqueezeNet 系列 [19]、DarkNet53 [21] 等模型的精度、速度指标如下表所示,更多介绍可以参考:其他模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
AlexNet | 0.567 | 0.792 | 0.81 | 1.50 | 2.33 | 0.71 | 61.10 | 下载链接 | 下载链接 |
SqueezeNet1_0 | 0.596 | 0.817 | 0.68 | 1.64 | 2.62 | 0.78 | 1.25 | 下载链接 | 下载链接 |
SqueezeNet1_1 | 0.601 | 0.819 | 0.62 | 1.30 | 2.09 | 0.35 | 1.24 | 下载链接 | 下载链接 |
DarkNet53 | 0.780 | 0.941 | 2.79 | 6.42 | 10.89 | 9.31 | 41.65 | 下载链接 | 下载链接 |
移动端系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:MobileNetV1 系列模型文档、MobileNetV2 系列模型文档、MobileNetV3 系列模型文档、ShuffleNetV2 系列模型文档、GhostNet 系列模型文档、ESNet 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|---|
MobileNetV1_ x0_25 |
0.5143 | 0.7546 | 2.88 | 1.82 | 1.26 | 43.56 | 0.48 | 1.9 | 下载链接 | 下载链接 |
MobileNetV1_ x0_5 |
0.6352 | 0.8473 | 8.74 | 5.26 | 3.09 | 154.57 | 1.34 | 5.2 | 下载链接 | 下载链接 |
MobileNetV1_ x0_75 |
0.6881 | 0.8823 | 17.84 | 10.61 | 6.21 | 333.00 | 2.60 | 10 | 下载链接 | 下载链接 |
MobileNetV1 | 0.7099 | 0.8968 | 30.24 | 17.86 | 10.30 | 578.88 | 4.25 | 16 | 下载链接 | 下载链接 |
MobileNetV1_ ssld |
0.7789 | 0.9394 | 30.24 | 17.86 | 10.30 | 578.88 | 4.25 | 16 | 下载链接 | 下载链接 |
MobileNetV2_ x0_25 |
0.5321 | 0.7652 | 3.46 | 2.51 | 2.03 | 34.18 | 1.53 | 6.1 | 下载链接 | 下载链接 |
MobileNetV2_ x0_5 |
0.6503 | 0.8572 | 7.69 | 4.92 | 3.57 | 99.48 | 1.98 | 7.8 | 下载链接 | 下载链接 |
MobileNetV2_ x0_75 |
0.6983 | 0.8901 | 13.69 | 8.60 | 5.82 | 197.37 | 2.65 | 10 | 下载链接 | 下载链接 |
MobileNetV2 | 0.7215 | 0.9065 | 20.74 | 12.71 | 8.10 | 327.84 | 3.54 | 14 | 下载链接 | 下载链接 |
MobileNetV2_ x1_5 |
0.7412 | 0.9167 | 40.79 | 24.49 | 15.50 | 702.35 | 6.90 | 26 | 下载链接 | 下载链接 |
MobileNetV2_ x2_0 |
0.7523 | 0.9258 | 67.50 | 40.03 | 25.55 | 1217.25 | 11.33 | 43 | 下载链接 | 下载链接 |
MobileNetV2_ ssld |
0.7674 | 0.9339 | 20.74 | 12.71 | 8.10 | 327.84 | 3.54 | 14 | 下载链接 | 下载链接 |
MobileNetV3_ large_x1_25 |
0.7641 | 0.9295 | 24.52 | 14.76 | 9.89 | 362.70 | 7.47 | 29 | 下载链接 | 下载链接 |
MobileNetV3_ large_x1_0 |
0.7532 | 0.9231 | 16.55 | 10.09 | 6.84 | 229.66 | 5.50 | 21 | 下载链接 | 下载链接 |
MobileNetV3_ large_x0_75 |
0.7314 | 0.9108 | 11.53 | 7.06 | 4.94 | 151.70 | 3.93 | 16 | 下载链接 | 下载链接 |
MobileNetV3_ large_x0_5 |
0.6924 | 0.8852 | 6.50 | 4.22 | 3.15 | 71.83 | 2.69 | 11 | 下载链接 | 下载链接 |
MobileNetV3_ large_x0_35 |
0.6432 | 0.8546 | 4.43 | 3.11 | 2.41 | 40.90 | 2.11 | 8.6 | 下载链接 | 下载链接 |
MobileNetV3_ small_x1_25 |
0.7067 | 0.8951 | 7.88 | 4.91 | 3.45 | 100.07 | 3.64 | 14 | 下载链接 | 下载链接 |
MobileNetV3_ small_x1_0 |
0.6824 | 0.8806 | 5.63 | 3.65 | 2.60 | 63.67 | 2.95 | 12 | 下载链接 | 下载链接 |
MobileNetV3_ small_x0_75 |
0.6602 | 0.8633 | 4.50 | 2.96 | 2.19 | 46.02 | 2.38 | 9.6 | 下载链接 | 下载链接 |
MobileNetV3_ small_x0_5 |
0.5921 | 0.8152 | 2.89 | 2.04 | 1.62 | 22.60 | 1.91 | 7.8 | 下载链接 | 下载链接 |
MobileNetV3_ small_x0_35 |
0.5303 | 0.7637 | 2.23 | 1.66 | 1.43 | 14.56 | 1.67 | 6.9 | 下载链接 | 下载链接 |
MobileNetV3_ small_x0_35_ssld |
0.5555 | 0.7771 | 2.23 | 1.66 | 1.43 | 14.56 | 1.67 | 6.9 | 下载链接 | 下载链接 |
MobileNetV3_ large_x1_0_ssld |
0.7896 | 0.9448 | 16.55 | 10.09 | 6.84 | 229.66 | 5.50 | 21 | 下载链接 | 下载链接 |
MobileNetV3_small_ x1_0_ssld |
0.7129 | 0.9010 | 5.63 | 3.65 | 2.60 | 63.67 | 2.95 | 12 | 下载链接 | 下载链接 |
ShuffleNetV2 | 0.6880 | 0.8845 | 9.72 | 5.97 | 4.13 | 148.86 | 2.29 | 9 | 下载链接 | 下载链接 |
ShuffleNetV2_ x0_25 |
0.4990 | 0.7379 | 1.94 | 1.53 | 1.43 | 18.95 | 0.61 | 2.7 | 下载链接 | 下载链接 |
ShuffleNetV2_ x0_33 |
0.5373 | 0.7705 | 2.23 | 1.70 | 1.79 | 24.04 | 0.65 | 2.8 | 下载链接 | 下载链接 |
ShuffleNetV2_ x0_5 |
0.6032 | 0.8226 | 3.67 | 2.63 | 2.06 | 42.58 | 1.37 | 5.6 | 下载链接 | 下载链接 |
ShuffleNetV2_ x1_5 |
0.7163 | 0.9015 | 17.21 | 10.56 | 6.81 | 301.35 | 3.53 | 14 | 下载链接 | 下载链接 |
ShuffleNetV2_ x2_0 |
0.7315 | 0.9120 | 31.21 | 18.98 | 11.65 | 571.70 | 7.40 | 28 | 下载链接 | 下载链接 |
ShuffleNetV2_ swish |
0.7003 | 0.8917 | 31.21 | 9.06 | 5.74 | 148.86 | 2.29 | 9.1 | 下载链接 | 下载链接 |
GhostNet_ x0_5 |
0.6688 | 0.8695 | 5.28 | 3.95 | 3.29 | 46.15 | 2.60 | 10 | 下载链接 | 下载链接 |
GhostNet_ x1_0 |
0.7402 | 0.9165 | 12.89 | 8.66 | 6.72 | 148.78 | 5.21 | 20 | 下载链接 | 下载链接 |
GhostNet_ x1_3 |
0.7579 | 0.9254 | 19.16 | 12.25 | 9.40 | 236.89 | 7.38 | 29 | 下载链接 | 下载链接 |
GhostNet_ x1_3_ssld |
0.7938 | 0.9449 | 19.16 | 12.25 | 9.40 | 236.89 | 7.38 | 29 | 下载链接 | 下载链接 |
ESNet_x0_25 | 0.6248 | 0.8346 | 4.12 | 2.97 | 2.51 | 30.85 | 2.83 | 11 | 下载链接 | 下载链接 |
ESNet_x0_5 | 0.6882 | 0.8804 | 6.45 | 4.42 | 3.35 | 67.31 | 3.25 | 13 | 下载链接 | 下载链接 |
ESNet_x0_75 | 0.7224 | 0.9045 | 9.59 | 6.28 | 4.52 | 123.74 | 3.87 | 15 | 下载链接 | 下载链接 |
ESNet_x1_0 | 0.7392 | 0.9140 | 13.67 | 8.71 | 5.97 | 197.33 | 4.64 | 18 | 下载链接 | 下载链接 |
PP-LCNet & PP-LCNetV2 系列 [28]
PP-LCNet 系列模型的精度、速度指标如下表所示,更多关于该系列的模型介绍可以参考:PP-LCNet 系列模型文档,PP-LCNetV2 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | time(ms)* bs=1 |
FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|
PPLCNet_x0_25 | 0.5186 | 0.7565 | 1.74 | 18.25 | 1.52 | 下载链接 | 下载链接 |
PPLCNet_x0_35 | 0.5809 | 0.8083 | 1.92 | 29.46 | 1.65 | 下载链接 | 下载链接 |
PPLCNet_x0_5 | 0.6314 | 0.8466 | 2.05 | 47.28 | 1.89 | 下载链接 | 下载链接 |
PPLCNet_x0_75 | 0.6818 | 0.8830 | 2.29 | 98.82 | 2.37 | 下载链接 | 下载链接 |
PPLCNet_x1_0 | 0.7132 | 0.9003 | 2.46 | 160.81 | 2.96 | 下载链接 | 下载链接 |
PPLCNet_x1_5 | 0.7371 | 0.9153 | 3.19 | 341.86 | 4.52 | 下载链接 | 下载链接 |
PPLCNet_x2_0 | 0.7518 | 0.9227 | 4.27 | 590 | 6.54 | 下载链接 | 下载链接 |
PPLCNet_x2_5 | 0.7660 | 0.9300 | 5.39 | 906 | 9.04 | 下载链接 | 下载链接 |
模型 | Top-1 Acc | Top-5 Acc | time(ms)** bs=1 |
FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|
PPLCNetV2_base | 77.04 | 93.27 | 4.32 | 604 | 6.6 | 下载链接 | 下载链接 |
*: 基于 Intel-Xeon-Gold-6148 硬件平台与 PaddlePaddle 推理平台。
**: 基于 Intel-Xeon-Gold-6271C 硬件平台与 OpenVINO 2021.4.2 推理平台。
ViT 系列 [31]
ViT(Vision Transformer) 系列模型的精度、速度指标如下表所示. 更多关于该系列模型的介绍可以参考: ViT 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
ViT_small_ patch16_224 |
0.7553 | 0.9211 | 3.71 | 9.05 | 16.72 | 9.41 | 48.60 | 下载链接 | 下载链接 |
ViT_base_ patch16_224 |
0.8187 | 0.9618 | 6.12 | 14.84 | 28.51 | 16.85 | 86.42 | 下载链接 | 下载链接 |
ViT_base_ patch16_384 |
0.8414 | 0.9717 | 14.15 | 48.38 | 95.06 | 49.35 | 86.42 | 下载链接 | 下载链接 |
ViT_base_ patch32_384 |
0.8176 | 0.9613 | 4.94 | 13.43 | 24.08 | 12.66 | 88.19 | 下载链接 | 下载链接 |
ViT_large_ patch16_224 |
0.8303 | 0.9655 | 15.53 | 49.50 | 94.09 | 59.65 | 304.12 | 下载链接 | 下载链接 |
ViT_large_ patch16_384 |
0.8513 | 0.9736 | 39.51 | 152.46 | 304.06 | 174.70 | 304.12 | 下载链接 | 下载链接 |
ViT_large_ patch32_384 |
0.8153 | 0.9608 | 11.44 | 36.09 | 70.63 | 44.24 | 306.48 | 下载链接 | 下载链接 |
DeiT 系列 [32]
DeiT(Data-efficient Image Transformers)系列模型的精度、速度指标如下表所示. 更多关于该系列模型的介绍可以参考: DeiT 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
DeiT_tiny_ patch16_224 |
0.7208 | 0.9112 | 3.61 | 3.94 | 6.10 | 1.07 | 5.68 | 下载链接 | 下载链接 |
DeiT_small_ patch16_224 |
0.7982 | 0.9495 | 3.61 | 6.24 | 10.49 | 4.24 | 21.97 | 下载链接 | 下载链接 |
DeiT_base_ patch16_224 |
0.8180 | 0.9558 | 6.13 | 14.87 | 28.50 | 16.85 | 86.42 | 下载链接 | 下载链接 |
DeiT_base_ patch16_384 |
0.8289 | 0.9624 | 14.12 | 48.80 | 97.60 | 49.35 | 86.42 | 下载链接 | 下载链接 |
DeiT_tiny_ distilled_patch16_224 |
0.7449 | 0.9192 | 3.51 | 4.05 | 6.03 | 1.08 | 5.87 | 下载链接 | 下载链接 |
DeiT_small_ distilled_patch16_224 |
0.8117 | 0.9538 | 3.70 | 6.20 | 10.53 | 4.26 | 22.36 | 下载链接 | 下载链接 |
DeiT_base_ distilled_patch16_224 |
0.8330 | 0.9647 | 6.17 | 14.94 | 28.58 | 16.93 | 87.18 | 下载链接 | 下载链接 |
DeiT_base_ distilled_patch16_384 |
0.8520 | 0.9720 | 14.12 | 48.76 | 97.09 | 49.43 | 87.18 | 下载链接 | 下载链接 |
SwinTransformer 系列 [27]
关于 SwinTransformer 系列模型的精度、速度指标如下表所示,更多介绍可以参考:SwinTransformer 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
SwinTransformer_tiny_patch4_window7_224 | 0.8110 | 0.9549 | 6.59 | 9.68 | 16.32 | 4.35 | 28.26 | 下载链接 | 下载链接 |
SwinTransformer_small_patch4_window7_224 | 0.8321 | 0.9622 | 12.54 | 17.07 | 28.08 | 8.51 | 49.56 | 下载链接 | 下载链接 |
SwinTransformer_base_patch4_window7_224 | 0.8337 | 0.9643 | 13.37 | 23.53 | 39.11 | 15.13 | 87.70 | 下载链接 | 下载链接 |
SwinTransformer_base_patch4_window12_384 | 0.8417 | 0.9674 | 19.52 | 64.56 | 123.30 | 44.45 | 87.70 | 下载链接 | 下载链接 |
SwinTransformer_base_patch4_window7_224[1] | 0.8516 | 0.9748 | 13.53 | 23.46 | 39.13 | 15.13 | 87.70 | 下载链接 | 下载链接 |
SwinTransformer_base_patch4_window12_384[1] | 0.8634 | 0.9798 | 19.65 | 64.72 | 123.42 | 44.45 | 87.70 | 下载链接 | 下载链接 |
SwinTransformer_large_patch4_window7_224[1] | 0.8619 | 0.9788 | 15.74 | 38.57 | 71.49 | 34.02 | 196.43 | 下载链接 | 下载链接 |
SwinTransformer_large_patch4_window12_384[1] | 0.8706 | 0.9814 | 32.61 | 116.59 | 223.23 | 99.97 | 196.43 | 下载链接 | 下载链接 |
[1]:基于 ImageNet22k 数据集预训练,然后在 ImageNet1k 数据集迁移学习得到。
Twins 系列 [34]
关于 Twins 系列模型的精度、速度指标如下表所示,更多介绍可以参考:Twins 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
pcpvt_small | 0.8115 | 0.9567 | 7.32 | 10.51 | 15.27 | 3.67 | 24.06 | 下载链接 | 下载链接 |
pcpvt_base | 0.8268 | 0.9627 | 12.20 | 16.22 | 23.16 | 6.44 | 43.83 | 下载链接 | 下载链接 |
pcpvt_large | 0.8306 | 0.9659 | 16.47 | 22.90 | 32.73 | 9.50 | 60.99 | 下载链接 | 下载链接 |
alt_gvt_small | 0.8177 | 0.9557 | 6.94 | 9.01 | 12.27 | 2.81 | 24.06 | 下载链接 | 下载链接 |
alt_gvt_base | 0.8315 | 0.9629 | 9.37 | 15.02 | 24.54 | 8.34 | 56.07 | 下载链接 | 下载链接 |
alt_gvt_large | 0.8364 | 0.9651 | 11.76 | 22.08 | 35.12 | 14.81 | 99.27 | 下载链接 | 下载链接 |
注:与 Reference 的精度差异源于数据预处理不同。
CSWinTransformer 系列 [40]
关于 CSWinTransformer 系列模型的精度、速度指标如下表所示,更多介绍可以参考:CSWinTransformer 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
CSWinTransformer_tiny_224 | 0.8281 | 0.9628 | - | - | - | 4.1 | 22 | 下载链接 | 下载链接 |
CSWinTransformer_small_224 | 0.8358 | 0.9658 | - | - | - | 6.4 | 35 | 下载链接 | 下载链接 |
CSWinTransformer_base_224 | 0.8420 | 0.9692 | - | - | - | 14.3 | 77 | 下载链接 | 下载链接 |
CSWinTransformer_large_224 | 0.8643 | 0.9799 | - | - | - | 32.2 | 173.3 | 下载链接 | 下载链接 |
CSWinTransformer_base_384 | 0.8550 | 0.9749 | - | - | - | 42.2 | 77 | 下载链接 | 下载链接 |
CSWinTransformer_large_384 | 0.8748 | 0.9833 | - | - | - | 94.7 | 173.3 | 下载链接 | 下载链接 |
PVTV2 系列 [41]
关于 PVTV2 系列模型的精度、速度指标如下表所示,更多介绍可以参考:PVTV2 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | 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 |
---|---|---|---|---|---|---|---|---|---|
PVT_V2_B0 | 0.7052 | 0.9016 | - | - | - | 0.53 | 3.7 | 下载链接 | 下载链接 |
PVT_V2_B1 | 0.7869 | 0.9450 | - | - | - | 2.0 | 14.0 | 下载链接 | 下载链接 |
PVT_V2_B2 | 0.8206 | 0.9599 | - | - | - | 3.9 | 25.4 | 下载链接 | 下载链接 |
PVT_V2_B2_Linear | 0.8205 | 0.9605 | - | - | - | 3.8 | 22.6 | 下载链接 | 下载链接 |
PVT_V2_B3 | 0.8310 | 0.9648 | - | - | - | 6.7 | 45.2 | 下载链接 | 下载链接 |
PVT_V2_B4 | 0.8361 | 0.9666 | - | - | - | 9.8 | 62.6 | 下载链接 | 下载链接 |
PVT_V2_B5 | 0.8374 | 0.9662 | - | - | - | 11.4 | 82.0 | 下载链接 | 下载链接 |
LeViT 系列 [33]
关于 LeViT 系列模型的精度、速度指标如下表所示,更多介绍可以参考:LeViT 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | time(ms) bs=1 |
time(ms) bs=4 |
time(ms) bs=8 |
FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|---|---|
LeViT_128S | 0.7598 | 0.9269 | 281 | 7.42 | 下载链接 | 下载链接 | |||
LeViT_128 | 0.7810 | 0.9372 | 365 | 8.87 | 下载链接 | 下载链接 | |||
LeViT_192 | 0.7934 | 0.9446 | 597 | 10.61 | 下载链接 | 下载链接 | |||
LeViT_256 | 0.8085 | 0.9497 | 1049 | 18.45 | 下载链接 | 下载链接 | |||
LeViT_384 | 0.8191 | 0.9551 | 2234 | 38.45 | 下载链接 | 下载链接 |
注:与 Reference 的精度差异源于数据预处理不同及未使用蒸馏的 head 作为输出。
TNT 系列 [35]
关于 TNT 系列模型的精度、速度指标如下表所示,更多介绍可以参考:TNT 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | time(ms) bs=1 |
time(ms) bs=4 |
FLOPs(G) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|---|
TNT_small | 0.8121 | 0.9563 | 4.83 | 23.68 | 下载链接 | 下载链接 |
注:TNT 模型的数据预处理部分 NormalizeImage
中的 mean
与 std
均为 0.5。
MobileViT 系列 [42]
关于 MobileViT 系列模型的精度、速度指标如下表所示,更多介绍可以参考:MobileViT 系列模型文档。
模型 | Top-1 Acc | Top-5 Acc | time(ms) bs=1 |
time(ms) bs=4 |
time(ms) bs=8 |
FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
---|---|---|---|---|---|---|---|---|---|
MobileViT_XXS | 0.6867 | 0.8878 | - | - | - | 337.24 | 1.28 | 下载链接 | 下载链接 |
MobileViT_XS | 0.7454 | 0.9227 | - | - | - | 930.75 | 2.33 | 下载链接 | 下载链接 |
MobileViT_S | 0.7814 | 0.9413 | - | - | - | 1849.35 | 5.59 | 下载链接 | 下载链接 |
[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.
[2] He T, Zhang Z, Zhang H, et al. Bag of tricks for image classification with convolutional neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 558-567.
[3] Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 1314-1324.
[4] Sandler M, Howard A, Zhu M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 4510-4520.
[5] Howard A G, Zhu M, Chen B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[J]. arXiv preprint arXiv:1704.04861, 2017.
[6] Ma N, Zhang X, Zheng H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 116-131.
[7] Xie S, Girshick R, Dollár P, et al. Aggregated residual transformations for deep neural networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1492-1500.
[8] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7132-7141.
[9] Gao S, Cheng M M, Zhao K, et al. Res2net: A new multi-scale backbone architecture[J]. IEEE transactions on pattern analysis and machine intelligence, 2019.
[10] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9.
[11] Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, inception-resnet and the impact of residual connections on learning[C]//Thirty-first AAAI conference on artificial intelligence. 2017.
[12] Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1251-1258.
[13] Wang J, Sun K, Cheng T, et al. Deep high-resolution representation learning for visual recognition[J]. arXiv preprint arXiv:1908.07919, 2019.
[14] Chen Y, Li J, Xiao H, et al. Dual path networks[C]//Advances in neural information processing systems. 2017: 4467-4475.
[15] Huang G, Liu Z, Van Der Maaten L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4700-4708.
[16] Tan M, Le Q V. Efficientnet: Rethinking model scaling for convolutional neural networks[J]. arXiv preprint arXiv:1905.11946, 2019.
[17] Mahajan D, Girshick R, Ramanathan V, et al. Exploring the limits of weakly supervised pretraining[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 181-196.
[18] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105.
[19] Iandola F N, Han S, Moskewicz M W, et al. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size[J]. arXiv preprint arXiv:1602.07360, 2016.
[20] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014.
[21] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788.
[22] Ding X, Guo Y, Ding G, et al. Acnet: Strengthening the kernel skeletons for powerful cnn via asymmetric convolution blocks[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 1911-1920.
[23] Han K, Wang Y, Tian Q, et al. GhostNet: More features from cheap operations[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 1580-1589.
[24] Zhang H, Wu C, Zhang Z, et al. Resnest: Split-attention networks[J]. arXiv preprint arXiv:2004.08955, 2020.
[25] Radosavovic I, Kosaraju R P, Girshick R, et al. Designing network design spaces[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 10428-10436.
[26] C.Szegedy, V.Vanhoucke, S.Ioffe, J.Shlens, and Z.Wojna. Rethinking the inception architecture for computer vision. arXiv preprint arXiv:1512.00567, 2015.
[27] Ze Liu, Yutong Lin, Yue Cao, Han Hu, Yixuan Wei, Zheng Zhang, Stephen Lin and Baining Guo. Swin Transformer: Hierarchical Vision Transformer using Shifted Windows.
[28]Cheng Cui, Tingquan Gao, Shengyu Wei, Yuning Du, Ruoyu Guo, Shuilong Dong, Bin Lu, Ying Zhou, Xueying Lv, Qiwen Liu, Xiaoguang Hu, Dianhai Yu, Yanjun Ma. PP-LCNet: A Lightweight CPU Convolutional Neural Network.
[29]Mingxing Tan, Quoc V. Le. MixConv: Mixed Depthwise Convolutional Kernels.
[30]Dongyoon Han, Sangdoo Yun, Byeongho Heo, YoungJoon Yoo. Rethinking Channel Dimensions for Efficient Model Design.
[31]Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, Jakob Uszkoreit, Neil Houlsby. AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE.
[32]Hugo Touvron, Matthieu Cord, Matthijs Douze, Francisco Massa, Alexandre Sablayrolles, Herve Jegou. Training data-efficient image transformers & distillation through attention.
[33]Benjamin Graham, Alaaeldin El-Nouby, Hugo Touvron, Pierre Stock, Armand Joulin, Herve Jegou, Matthijs Douze. LeViT: a Vision Transformer in ConvNet’s Clothing for Faster Inference.
[34]Xiangxiang Chu, Zhi Tian, Yuqing Wang, Bo Zhang, Haibing Ren, Xiaolin Wei, Huaxia Xia, Chunhua Shen. Twins: Revisiting the Design of Spatial Attention in Vision Transformers.
[35]Kai Han, An Xiao, Enhua Wu, Jianyuan Guo, Chunjing Xu, Yunhe Wang. Transformer in Transformer.
[36]Xiaohan Ding, Xiangyu Zhang, Ningning Ma, Jungong Han, Guiguang Ding, Jian Sun. RepVGG: Making VGG-style ConvNets Great Again.
[37]Ping Chao, Chao-Yang Kao, Yu-Shan Ruan, Chien-Hsiang Huang, Youn-Long Lin. HarDNet: A Low Memory Traffic Network.
[38]Fisher Yu, Dequan Wang, Evan Shelhamer, Trevor Darrell. Deep Layer Aggregation.
[39]Duo Lim Jie Hu, Changhu Wang, Xiangtai Li, Qi She, Lei Zhu, Tong Zhang, Qifeng Chen. Involution: Inverting the Inherence of Convolution for Visual Recognition.
[40]Xiaoyi Dong, Jianmin Bao, Dongdong Chen, Weiming Zhang, Nenghai Yu, Lu Yuan, Dong Chen, Baining Guo. CSWin Transformer: A General Vision Transformer Backbone with Cross-Shaped Windows.
[41]Wenhai Wang, Enze Xie, Xiang Li, Deng-Ping Fan, Kaitao Song, Ding Liang, Tong Lu, Ping Luo, Ling Shao. PVTv2: Improved Baselines with Pyramid Vision Transformer.
[42]Sachin Mehta, Mohammad Rastegari. MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer.
[43]Zhuang Liu, Hanzi Mao, Chao-Yuan Wu, Christoph Feichtenhofer, Trevor Darrell, Saining Xie. A ConvNet for the 2020s.
[44]Meng-Hao Guo, Cheng-Ze Lu, Zheng-Ning Liu, Ming-Ming Cheng, Shi-Min Hu. Visual Attention Network.
[45]Robert J. Wang, Xiang Li, Charles X. Ling. Pelee: A Real-Time Object Detection System on Mobile Devices
[46]Chien-Yao Wang, Hong-Yuan Mark Liao, I-Hau Yeh, Yueh-Hua Wu, Ping-Yang Chen, Jun-Wei Hsieh. CSPNet: A New Backbone that can Enhance Learning Capability of CNN