Skip to content

Latest commit

 

History

History
826 lines (587 loc) · 129 KB

model_list.md

File metadata and controls

826 lines (587 loc) · 129 KB

ImageNet 预训练模型库

目录

一、模型库概览图

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.

二、SSLD 知识蒸馏预训练模型

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

2.1 服务器端知识蒸馏模型

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

2.2 移动端知识蒸馏模型

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

2.3 Intel CPU 端知识蒸馏模型

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。

三、CNN 系列模型

3.1 服务器端模型

PP-HGNet 系列

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 [10][11][12][26]

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

其他模型

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

3.2 轻量级模型

移动端系列 [3][4][5][6][23]

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。

四、Transformer 系列模型

4.1 服务器端模型

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

: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

: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

:TNT 模型的数据预处理部分 NormalizeImage 中的 meanstd 均为 0.5。

4.2 轻量级模型

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

五、参考文献

[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