EfficientNet（b0 模型）

EfficientNet 模型在 ImageNet-1k 数据集上以 224x224 的分辨率进行训练。该模型由 Mingxing Tan 和 Quoc V. Le 在论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中提出，并首次在此仓库发布。

免责声明：EfficientNet 的发布团队未为此模型撰写模型卡片，因此本模型卡片由 Hugging Face 团队编写。

模型描述

EfficientNet 是一种移动端友好的纯卷积模型（ConvNet），它提出了一种新的缩放方法，使用一个简单但高效的复合系数来统一缩放深度、宽度和分辨率等所有维度。

模型图片

预期用途与局限性

您可以将原始模型用于图像分类。请参阅模型中心以查找您感兴趣的特定任务的微调版本。

如何使用

以下是使用此模型将 COCO 2017 数据集的图像分类为 1000 个 ImageNet 类别之一的方法：

import torch
from datasets import load_dataset
from transformers import EfficientNetImageProcessor, EfficientNetForImageClassification

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

preprocessor = EfficientNetImageProcessor.from_pretrained("google/efficientnet-b0")
model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b0")

inputs = preprocessor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

# model predicts one of the 1000 ImageNet classes
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

如需更多代码示例，请参阅文档。

BibTeX 条目和引用信息

@article{Tan2019EfficientNetRM,
  title={EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks},
  author={Mingxing Tan and Quoc V. Le},
  journal={ArXiv},
  year={2019},
  volume={abs/1905.11946}
}