【免费下载链接】regnety_032.tv2_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/regnety_032.tv2_in1k点击查看免费下载regnety_032.tv2_in1k 是一个基于 timm 框架的轻量级图像分类模型属于 RegNetY 家族仅有 19.4M约 1940 万参数、3.2 GMACs 的推理计算量却在 ImageNet-1k 数据集上取得了 81.77% 的 Top-1 准确率。它使用 224×224 标准输入权重由 torchvision 社区按新版训练配方tv2在 ImageNet-1k 上训练而来是移动端、嵌入式设备和快速原型验证的高性价比选择。本文带你从零开始看懂这个模型的名字含义、文件结构、性能表现和上手方法全程只需 5 分钟 ☕一、模型核心信息速览一张表看懂关键参数在深入细节前先用一张表掌握 README.md 中给出的模型档案卡项目数值 / 说明架构RegNetY-3.2GFregnety_032参数量19.4M1940 万参数推理计算量3.2 GMACs激活值总量11.3M输入尺寸224 × 224支持 3 通道 RGB分类输出1000 类ImageNet-1k 类别最终特征数1512预训练权重torchvision 新版配方tv2预训练数据集ImageNet-1k许可证bsd-3-clause可商用权重体积约 75 MBfloat32 一句话理解19.4M 参数是什么概念相当于把约 75 MB 的小文件加载进内存普通 CPU 都能流畅推理远小于动辄数亿参数的大模型。二、模型名称逐段拆解regnety_032.tv2_in1k 到底在说什么模型命名看似复杂其实每一段都有含义名称片段含义regnetyRegNet 家族的Y系列。RegNet 出自 CVPR 2020 论文《Designing Network Design Spaces》核心思想是用数学公式自动生成规整的网络结构Y 系列是最紧凑的一类032计算量预算约3.2 GFLOPs即预算 3.2G 算力的网络tv2权重来自torchvision 2022 年新版训练配方ImageNet1K-V2 weights相比旧配方准确率更稳定in1k在ImageNet-1000 数据集上预训练同一家族还有regnetx同算力下特征更丰富的宽网络变体和regnetz带零卷积的高效变体选y系列通常意味着结构最紧凑、推理更快。三、仓库文件结构4 个文件各自藏着什么本仓库内容非常精简一共 4 个文件各司其职regnety_032.tv2_in1k/ ├── README.md # 模型卡档案、用法示例、同族模型对比表 ├── config.json # 模型配置架构、类别数、归一化参数等 ├── model.safetensors # 权重文件safetensors 格式推荐加载方式 └── pytorch_model.bin # 权重文件PyTorch 传统格式与上一份内容一致逐个解读README.md—— 模型说明书。包含模型统计信息、timm 增强特性stochastic depth、gradient checkpointing、layer-wise LR decay 等、分类 / 特征图提取 / 图像嵌入三种用法示例以及一张覆盖 80 个 RegNet 同族模型的完整对比表。config.json—— 模型的身份证记录了加载权重所需的全部元信息关键字段包括architecture: regnety_032timm 中的架构名num_classes: 1000分类头输出 1000 类num_features: 1512分类前的特征维度mean: [0.485, 0.456, 0.406]/std: [0.229, 0.224, 0.225]ImageNet 标准归一化参数crop_pct: 0.965训练时的随机裁剪比例classifier: head.fc分类头所在的模块路径model.safetensors/pytorch_model.bin—— 两份等价权重。当前仓库中它们是Git LFS 指针文件约 133 字节实际权重约78,177,669 字节≈74.6 MB需通过 LFS 拉取后才会下载到本地。四、性能表现81.77% Top-1 准确率处在什么水平准确率数字本身不好感受把它放进 README.md 的对比表中、与**同算力档3.2 GMACs**的模型横向比较位置就一目了然模型输入Top-1Top-5参数量(M)GMACsregnety_032.ra_in1k22481.92495.98819.443.2regnety_032.tv2_in1k22481.7795.84219.443.2regnetx_032.tv2_in1k22480.92495.2715.33.2regnety_032.pycls_in1k22478.88494.41219.443.2 可以读出三个结论tv2 权重比旧版 pycls 配方高约 2.9 个百分点81.77 vs 78.88训练配方的升级是实打实的收益与同架构的rare-augmentation权重仅差 0.15 个点属于轻量档位的第一梯队相比 60M 参数的中型模型约 84% Top-1它用约 1/3 的参数量换来了约 3% 的精度性价比定位非常清晰。五、快速上手如何用 timm 加载并推理该模型无需克隆仓库timm会自动拉取预训练权重。安装依赖pip install timm torch创建模型并获取推荐的数据预处理配置总共就几行代码import timm import torch # 创建模型并自动下载 tv2_in1k 预训练权重 model timm.create_model(regnety_032.tv2_in1k, pretrainedTrue) model model.eval() # 获取模型专属的数据配置含 resize、归一化参数 data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse)之后只需output model(transforms(img).unsqueeze(0))再对输出做softmax取 Top-K即可得到 1000 个 ImageNet 类别上的预测概率。完整的端到端示例含加载图片、输出 Top-5都写在 README.md 的 Image Classification 小节中建议对照阅读。六、三大典型用法不止于分类README.md 展示了三种开箱即用的姿势覆盖大多数视觉任务场景6.1 图像分类默认用法即上一节的create_model 完整输出头得到 1000 维类别 logits。6.2 特征图提取feature backbone创建模型时加上features_onlyTrue即可拿到 5 组不同分辨率的中间特征图例如112×112、56×56直到7×7可直接接自己训练的检测 / 分割头model timm.create_model(regnety_032.tv2_in1k, pretrainedTrue, features_onlyTrue)6.3 图像嵌入embedding设置num_classes0去掉分类头或使用model.forward_features(...)model.forward_head(..., pre_logitsTrue)即可得到一张图对应的固定长度特征向量用于相似图检索、聚类等任务。七、如何获取模型权重两种下载方式方式一timm 自动下载推荐新手上面示例中pretrainedTrue时timm 会按 config.json 中的pretrained_cfg自动下载对应权重到本地缓存无需任何额外操作。方式二克隆本仓库手动获取如果你希望离线管理权重文件可以克隆仓库仓库内权重为 Git LFS 指针需先安装 git-lfsgit lfs install git clone https://gitcode.com/hf_mirrors/timm/regnety_032.tv2_in1k克隆完成后model.safetensors 会拉取为约 75 MB 的真实权重文件可直接用safetensors.torch.load_file()加载。八、新手常见问题 FAQQ1没有 GPU 能跑吗可以。19.4M 参数 224×224 输入普通 CPU 单张推理通常只需几十毫秒批量验证也没压力。Q2tv2、ra、pycls 三种权重后缀该选哪个pycls是最早期配方精度最低本档 78.88ra用重增强配方训练81.92tv2是 torchvision 新版配方81.77且与标准 torchvision 生态兼容最好。追求极限精度选ra求稳选tv2基本都在 81% 水平。Q3可以微调自己的数据集吗可以这是该模型的常见用法。config.json中classifier: head.fc指明分类头路径训练时只需替换这一层并降低学习率骨干网络几乎不动即可快速收敛到新任务。Q4能商用吗权重许可证为bsd-3-clause见 config.json 与 README.md 头部声明宽松的 BSD 协议商用无忧。小结regnety_032.tv2_in1k 是一款小而能打的轻量级图像分类模型19.4M 参数、3.2 GMACs、81.77% Top-1三种用法分类 / 特征提取 / 嵌入开箱即用BSD 协议可自由商用。如果你正在为边缘设备、Web 端实时推理或快速实验挑选骨干网络它值得放进你的候选清单 ✅模型档案与完整示例README.md加载配置与归一化参数config.json权重文件model.safetensors、pytorch_model.bin赞分享【免费下载链接】regnety_032.tv2_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/regnety_032.tv2_in1k点击查看免费下载相关推荐ungoogled-chromium 项目全解析去除 Google 服务依赖的 Chromium 分支及其补丁体系ungoogled chromium 项目全解析去除 Google 服务依赖的 Chromium 分支及其补丁体系 导读 本文以 ungoogled chrcoatnet_nano_rw_224.sw_in1k是什么15M参数、2344张/秒CoAtNet轻量级图像分类模型完整入门指南coatnet_nano_rw_224.sw_in1k是什么15M参数、2344张/秒CoAtNet轻量级图像分类模型完整入门指南 coatnet_nano一文看懂hiera_tiny_224.mae_in1k_ft_in1k2790万参数、82.8% Top-1的轻量级ViT图像分类模型是什么一文看懂hiera_tiny_224.mae_in1k_ft_in1k2790万参数、82.8% Top 1的轻量级ViT图像分类模型是什么 hiera_t上一篇openEuler-bootstrap自动化部署实现持续集成与交付的终极指南下一篇如何快速部署sssnic-driver5分钟完成3SNIC网卡驱动安装创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考