EfficientNet

EfficientNet 模型由 Mingxing Tan 和 Quoc V. Le 在论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中提出。EfficientNet 是一系列图像分类模型，在达到最先进准确率的同时，比之前的模型更小、更快一个数量级。这里的特定版本是 EfficientNet-ES（EdgeTPU-Small）。

我们开发了一个可由 AMD Ryzen AI 支持的修改版本。

模型描述

论文摘要如下：

卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会扩大规模以提高准确率。在本文中，我们系统地研究了模型缩放，发现仔细平衡网络深度、宽度和分辨率可以获得更好的性能。基于这一观察，我们提出了一种新的缩放方法，使用简单但高效的复合系数统一缩放深度/宽度/分辨率的所有维度。我们在 MobileNets 和 ResNet 上展示了这种方法的有效性。为了更进一步，我们使用神经架构搜索设计了一个新的基准网络，并将其扩展以获得一系列模型，称为 EfficientNets，它们比之前的 ConvNets 实现了更好的准确率和效率。特别是，我们的 EfficientNet-B7 在 ImageNet 上实现了最先进的 84.3% top-1 准确率，同时比现有的最佳 ConvNet 小 8.4 倍，推理速度快 6.1 倍。我们的 EfficientNets 也具有良好的迁移性，在 CIFAR-100（91.7%）、Flowers（98.8%）和其他 3 个迁移学习数据集上实现了最先进的准确率，参数量减少了一个数量级。

原始代码可在这里找到。

预期用途与限制

您可以使用原始模型进行图像分类。请参阅模型中心以查找您感兴趣的任务的微调版本。

如何使用

安装

1. 按照 Ryzen AI Installation 为 Ryzen AI 准备环境。

2. 运行以下脚本安装此模型的先决条件。

   pip install -r requirements.txt 
   

测试与评估

• 推理单张图片（图像分类）：

  import onnxruntime
  import argparse
  from PIL import Image 
  import torchvision.transforms as transforms 
  
  parser = argparse.ArgumentParser()
  parser.add_argument('--onnx_path', type=str, default=\"EfficientNet_int.onnx\", required=False)
  parser.add_argument('--image_path', type=str, required=True)
  
  args = parser.parse_args()
  
  def read_image():
    # Read a PIL image 
    image = Image.open(args.image_path)
    normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    
    transform = transforms.Compose([
      transforms.ToTensor(),
      transforms.Resize((224, 224)),
      normalize,
    ])
    img_tensor = transform(image).unsqueeze(0)
    return img_tensor.numpy()
  
  
  def main():
    so = onnxruntime.SessionOptions()
    ort_session = onnxruntime.InferenceSession(
      args.onnx_path, so, providers=['CUDAExecutionProvider'])
    ort_inputs = {
      \"WrapModel::input_0\": read_image()
    }
    output = ort_session.run(None, ort_inputs)[0]
    print(\"class id =\", output[0].argmax())
  
  
  if __name__ == \"__main__\":
    main()
  

• 使用 eval_onnx.py 评估 ImageNet 验证数据集（50,000 张图片）。

  python eval_onnx.py --onnx_model EfficientNet_int.onnx --ipu --provider_config Path\To\vaip_config.json --data_dir /Path/To/Your/Dataset
  

性能

​ 数据集：ImageNet 验证数据集（50,000 张图片）。

引用

@article{EfficientNet,
 author       = {Mingxing Tan and Quoc V. Le},
  title       = {Searching for MobileNetV3},
  year        = {2019},
  url         = {https://arxiv.org/abs/1905.11946},
}