mirrors
/
PaddleClas
mirror of https://github.com/PaddlePaddle/PaddleClas.git
1
0
Fork 0
Code Issues Projects Releases Wiki Activity

Supplement other docs

pull/2610/head
zhangyubo0722 2023-01-03 09:53:18 +00:00 committed by cuicheng01
parent a77ce6ed72
commit 94fe07d042
32 changed files with 249 additions and 145 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

6
docs/zh_CN/models/ImageNet1k/CSPNet.md
View File

@ -36,13 +36,17 @@ CSPNet（Cross Stage Partial Network）系列网络模型主要是一种网络
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| CSPDarkNet53 | 0.7725 | 0.9355 | - | - | 5.041 | 27.678 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
敬请期待。
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ------------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| CSPDarkNet53 | 256 | 2.80 | 5.43 | 9.48 |
<a name="2"></a>

18
docs/zh_CN/models/ImageNet1k/DLA.md
View File

@ -54,15 +54,15 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| DLA102 | 224 | 4.95 | 8.08 | 12.40 |
| DLA102x2 | 224 | 19.58 | 23.97 | 31.37 |
| DLA102x | 224 | 11.12 | 15.60 | 20.37 |
| DLA169 | 224 | 7.70 | 12.25 | 18.90 |
| DLA34 | 224 | 1.83 | 3.37 | 5.98 |
| DLA46_c | 224 | 1.06 | 2.08 | 3.23 |
| DLA60 | 224 | 2.78 | 5.36 | 8.29 |
| DLA60x_c | 224 | 1.79 | 3.68 | 5.19 |
| DLA60x | 224 | 5.98 | 9.24 | 12.52 |
| DLA102 | 224 | 4.15 | 6.81 | 11.60 |
| DLA102x2 | 224 | 6.40 | 16.08 | 33.51 |
| DLA102x | 224 | 4.68 | 16.44 | 20.98 |
| DLA169 | 224 | 6.45 | 10.79 | 18.31 |
| DLA34 | 224 | 1.67 | 2.49 | 4.31 |
| DLA46_c | 224 | 0.88 | 1.44 | 1.96 |
| DLA60 | 224 | 2.54 | 4.26 | 7.01 |
| DLA60x_c | 224 | 1.04 | 1.82 | 3.68 |
| DLA60x | 224 | 2.66 | 8.44 | 11.95 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

10
docs/zh_CN/models/ImageNet1k/DPN.md
View File

@ -63,11 +63,11 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense
| Models | Crop Size | Resize Short Size | FP32<br/>Batch Size=1<br/>(ms) | FP32<br/>Batch Size=4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
| DPN68 | 224 | 256 | 8.18 | 11.40 | 14.82 |
| DPN92 | 224 | 256 | 12.48 | 20.04 | 25.10 |
| DPN98 | 224 | 256 | 14.70 | 25.55 | 35.12 |
| DPN107 | 224 | 256 | 19.46 | 35.62 | 50.22 |
| DPN131 | 224 | 256 | 19.64 | 34.60 | 47.42 |
| DPN68 | 224 | 256 | 2.82 | 10.90 | 14.45 |
| DPN92 | 224 | 256 | 6.15 | 11.20 | 20.00 |
| DPN98 | 224 | 256 | 6.15 | 25.22 | 35.69 |
| DPN107 | 224 | 256 | 8.39 | 34.44 | 52.12 |
| DPN131 | 224 | 256 | 8.26 | 33.96 | 48.62 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

16
docs/zh_CN/models/ImageNet1k/DeiT.md
View File

@ -53,14 +53,14 @@ DeiT（Data-efficient Image Transformers）系列模型是由 FaceBook 在 2020
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ------------------------------------ | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| DeiT_tiny_<br>patch16_224 | 224 | 3.61 | 3.94 | 6.10 |
| DeiT_small_<br>patch16_224 | 224 | 3.61 | 6.24 | 10.49 |
| DeiT_base_<br>patch16_224 | 224 | 6.13 | 14.87 | 28.50 |
| DeiT_base_<br>patch16_384 | 384 | 14.12 | 48.80 | 97.60 |
| DeiT_tiny_<br>distilled_patch16_224 | 224 | 3.51 | 4.05 | 6.03 |
| DeiT_small_<br>distilled_patch16_224 | 224 | 3.70 | 6.20 | 10.53 |
| DeiT_base_<br>distilled_patch16_224 | 224 | 6.17 | 14.94 | 28.58 |
| DeiT_base_<br>distilled_patch16_384 | 384 | 14.12 | 48.76 | 97.09 |
| DeiT_tiny_<br>patch16_224 | 224 | 3.87 | 3.58 | 4.64 |
| DeiT_small_<br>patch16_224 | 224 | 3.52 | 5.90 | 9.44 |
| DeiT_base_<br>patch16_224 | 224 | 5.97 | 15.52 | 27.39 |
| DeiT_base_<br>patch16_384 | 384 | 13.78 | 45.94 | 89.38 |
| DeiT_tiny_<br>distilled_patch16_224 | 224 | 3.31 | 3.61 | 4.57 |
| DeiT_small_<br>distilled_patch16_224 | 224 | 3.57 | 5.91 | 9.51 |
| DeiT_base_<br>distilled_patch16_224 | 224 | 6.00 | 15.43 | 27.10 |
| DeiT_base_<br>distilled_patch16_384 | 384 | 13.76 | 45.61 | 89.15 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

10
docs/zh_CN/models/ImageNet1k/DenseNet.md
View File

@ -64,11 +64,11 @@ DenseNet 是 2017 年 CVPR best paper 提出的一种新的网络结构，该网
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
| DenseNet121 | 224 | 3.40 | 6.94 | 9.17 |
| DenseNet161 | 224 | 7.06 | 14.37 | 19.55 |
| DenseNet169 | 224 | 5.00 | 10.29 | 12.84 |
| DenseNet201 | 224 | 6.38 | 13.72 | 17.17 |
| DenseNet264 | 224 | 9.34 | 20.95 | 25.41 |
| DenseNet121 | 224 | 3.22 | 6.25 | 8.20 |
| DenseNet161 | 224 | 6.83 | 13.39 | 18.34 |
| DenseNet169 | 224 | 4.81 | 9.53 | 11.94 |
| DenseNet201 | 224 | 6.15 | 12.70 | 15.93 |
| DenseNet264 | 224 | 9.05 | 19.57 | 23.84 |
| DPN68 | 224 | 8.18 | 11.40 | 14.82 |
| DPN92 | 224 | 12.48 | 20.04 | 25.10 |
| DPN98 | 224 | 14.70 | 25.55 | 35.12 |

17
docs/zh_CN/models/ImageNet1k/ESNet.md
View File

@ -37,7 +37,22 @@ ESNet(Enhanced ShuffleNet)是百度自研的一个轻量级网络，该网络在
| ESNet_x0_75 | 72.24 | 90.45 | - | - | 123.7 | 3.87 |
| ESNet_x1_0 | 73.92 | 91.40 | - | - | 197.3 | 4.64 |
关于 Inference speed 等信息，敬请期待。
**备注：** PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------------------------|-------------------|-------------------------------|-------------------------------|-------------------------------|
| ESNet_x0_25 | 224 | 0.88 | 1.41 | 1.37 |
| ESNet_x0_5 | 224 | 1.04 | 1.47 | 1.47 |
| ESNet_x0_75 | 224 | 1.13 | 1.63 | 1.71 |
| ESNet_x1_0 | 224 | 1.35 | 1.66 | 2.04 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>

16
docs/zh_CN/models/ImageNet1k/EfficientNet.md
View File

@ -67,14 +67,14 @@ EfficientNet 是 Google 于 2019 年发布的一个基于 NAS 的轻量级网络
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------------------------|-------------------|-------------------------------|-------------------------------|-------------------------------|
| EfficientNetB0 | 224 | 1.96 | 3.71 | 5.56 |
| EfficientNetB1 | 240 | 2.88 | 5.40 | 7.63 |
| EfficientNetB2 | 260 | 3.26 | 6.20 | 9.17 |
| EfficientNetB3 | 300 | 4.52 | 8.85 | 13.54 |
| EfficientNetB4 | 380 | 6.78 | 15.47 | 24.95 |
| EfficientNetB5 | 456 | 10.97 | 27.24 | 45.93 |
| EfficientNetB6 | 528 | 17.09 | 43.32 | 76.90 |
| EfficientNetB7 | 600 | 25.91 | 71.23 | 128.20 |
| EfficientNetB0 | 224 | 1.58 | 2.55 | 3.69 |
| EfficientNetB1 | 240 | 2.29 | 3.92 | 5.50 |
| EfficientNetB2 | 260 | 2.52 | 4.47 | 6.78 |
| EfficientNetB3 | 300 | 3.44 | 6.53 | 10.44 |
| EfficientNetB4 | 380 | 5.35 | 11.69 | 19.97 |
| EfficientNetB5 | 456 | 8.52 | 21.94 | 38.37 |
| EfficientNetB6 | 528 | 13.49 | 36.99 | 67.17 |
| EfficientNetB7 | 600 | 21.91 | 62.29 | 116.07 |
| EfficientNetB0_<br>small | 224 | 1.24 | 2.59 | 3.92 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

14
docs/zh_CN/models/ImageNet1k/HRNet.md
View File

@ -66,15 +66,15 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
| HRNet_W18_C | 224 | 6.66 | 8.94 | 11.95 |
| HRNet_W18_C | 224 | 6.33 | 8.12 | 10.91 |
| HRNet_W18_C_ssld | 224 | 6.66 | 8.92 | 11.93 |
| HRNet_W30_C | 224 | 8.61 | 11.40 | 15.23 |
| HRNet_W32_C | 224 | 8.54 | 11.58 | 15.57 |
| HRNet_W40_C | 224 | 9.83 | 15.02 | 20.92 |
| HRNet_W44_C | 224 | 10.62 | 16.18 | 25.92 |
| HRNet_W48_C | 224 | 11.07 | 17.06 | 27.28 |
| HRNet_W30_C | 224 | 8.34 | 10.65 | 13.95 |
| HRNet_W32_C | 224 | 8.03 | 10.46 | 14.11 |
| HRNet_W40_C | 224 | 9.64 | 14.27 | 19.54 |
| HRNet_W44_C | 224 | 10.54 | 15.41 | 24.50 |
| HRNet_W48_C | 224 | 10.81 | 15.67 | 15.53 |
| HRNet_W48_C_ssld | 224 | 11.09 | 17.04 | 27.28 |
| HRNet_W64_C | 224 | 13.82 | 21.15 | 35.51 |
| HRNet_W64_C | 224 | 13.12 | 19.49 | 33.80 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

8
docs/zh_CN/models/ImageNet1k/HarDNet.md
View File

@ -48,10 +48,10 @@ HarDNet（Harmonic DenseNet）是 2019 年由国立清华大学提出的一种
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ------------ | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| HarDNet68 | 224 | 3.58 | 8.53 | 11.58 |
| HarDNet85 | 224 | 6.24 | 14.85 | 20.57 |
| HarDNet39_ds | 224 | 1.40 | 2.30 | 3.33 |
| HarDNet68_ds | 224 | 2.26 | 3.34 | 5.06 |
| HarDNet68 | 224 | 2.97 | 4.12 | 6.05 |
| HarDNet85 | 224 | 4.67 | 7.17 | 10.85 |
| HarDNet39_ds | 224 | 1.12 | 1.54 | 2.00 |
| HarDNet68_ds | 224 | 1.88 | 2.56 | 3.37 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

15
docs/zh_CN/models/ImageNet1k/Inception.md
View File

@ -70,13 +70,14 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|------------------------|-------------------|------------------------|------------------------|------------------------|
| GoogLeNet | 224 | 1.41 | 3.25 | 5.00 |
| Xception41 | 299 | 3.58 | 8.76 | 16.61 |
| Xception41_<br>deeplab | 299 | 3.81 | 9.16 | 17.20 |
| Xception65 | 299 | 5.45 | 12.78 | 24.53 |
| Xception65_<br>deeplab | 299 | 5.65 | 13.08 | 24.61 |
| Xception71 | 299 | 6.19 | 15.34 | 29.21 |
| InceptionV4 | 299 | 8.93 | 15.17 | 21.56 |
| GoogLeNet | 224 | 1.26 | 2.84 | 3.64 |
| Xception41 | 299 | 3.20 | 7.78 | 14.83 |
| Xception41_<br>deeplab | 299 | 3.34 | 8.22 | 15.54 |
| Xception65 | 299 | 5.01 | 11.66 | 22.49 |
| Xception65_<br>deeplab | 299 | 4.98 | 11.90 | 22.94 |
| Xception71 | 299 | 5.75 | 14.11 | 27.37 |
| InceptionV3 | 299 | 3.92 | 5.98 | 9.57 |
| InceptionV4 | 299 | 7.09 | 10.95 | 18.37 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

6
docs/zh_CN/models/ImageNet1k/MixNet.md
View File

@ -53,9 +53,9 @@ MixNet 是谷歌出的一篇关于轻量级网络的文章，主要工作就在
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| MixNet_S | 224 | 2.31 | 3.63 | 5.20 |
| MixNet_M | 224 | 2.84 | 4.60 | 6.62 |
| MixNet_L | 224 | 3.16 | 5.55 | 8.03 |
| MixNet_S | 224 | 1.83 | 2.59 | 3.86 |
| MixNet_M | 224 | 2.25 | 3.38 | 5.06 |
| MixNet_L | 224 | 1.83 | 4.19 | 6.29 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

13
docs/zh_CN/models/ImageNet1k/NextViT.md
View File

@ -50,6 +50,19 @@ NextViT 是一种新的视觉 Transformer 网络，可以用作计算机视觉
- PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。PaddleClas 验证了 NextViT_small_224 的精度可以与论文精度对齐。
- 此处 `_ssld` 并非使用 PaddleClas 中的蒸馏的`SSLD 蒸馏`方法得到，而是使用类似`SSLD 蒸馏`挖掘的数据集训练得到。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| NextViT_small_224 | 224 | 7.76 | 10.86 | 14.20 |
| NextViT_base_224 | 224 | 12.02 | 16.21 | 20.63 |
| NextViT_large_224 | 224 | 16.51 | 21.91 | 27.25 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>

8
docs/zh_CN/models/ImageNet1k/Others.md
View File

@ -55,11 +55,11 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|---------------------------|-------------------|-------------------|-------------------|-------------------|
| AlexNet | 224 | 0.81 | 1.50 | 2.33 |
| SqueezeNet1_0 | 224 | 0.68 | 1.64 | 2.62 |
| SqueezeNet1_1 | 224 | 0.62 | 1.30 | 2.09 |
| AlexNet | 224 | 0.64 | 0.88 | 1.21 |
| SqueezeNet1_0 | 224 | 0.46 | 1.01 | 1.59 |
| SqueezeNet1_1 | 224 | 0.37 | 0.72 | 1.07 |
| DarkNet53 | 256 | 2.79 | 6.42 | 10.89 |
| SENet154_vd | 224 | 34.83 | 51.22 | 69.74 |
| SENet154_vd | 224 | 12.57 | 33.64 | 72.71 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

12
docs/zh_CN/models/ImageNet1k/PP-HGNet.md
View File

@ -60,9 +60,9 @@ PP-HGNet 目前提供的模型的精度、速度指标及预训练权重链接
| Model | Top-1 Acc(\%) | Top-5 Acc(\%) | Latency(ms) | 预训练模型下载地址 | inference模型下载地址 |
|:--: |:--: |:--: |:--: | :--: |:--: |
| PPHGNet_tiny | 79.83 | 95.04 | 1.77 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_tiny_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_tiny_infer.tar) |
| PPHGNet_tiny | 79.83 | 95.04 | 1.72 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_tiny_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_tiny_infer.tar) |
| PPHGNet_tiny_ssld | 81.95 | 96.12 | 1.77 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_tiny_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_tiny_ssld_infer.tar) |
| PPHGNet_small | 81.51| 95.82 | 2.52 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_small_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_small_infer.tar) |
| PPHGNet_small | 81.51| 95.82 | 2.46 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_small_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_small_infer.tar) |
| PPHGNet_small_ssld | 83.82| 96.81 | 2.52 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_small_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_small_ssld_infer.tar) |
| PPHGNet_base_ssld | 85.00| 97.35 | 5.97 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPHGNet_base_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPHGNet_base_ssld_infer.tar) |
@ -213,7 +213,7 @@ cd path_to_PaddleClas
<a name="3.3.1"></a>
#### 3.3.1 训练 ImageNet
在 `ppcls/configs/ImageNet/PPHGNet/PPHGNet_small.yaml` 中提供了 PPHGNet_small 训练配置，可以通过如下脚本启动训练：
```shell
@ -228,13 +228,13 @@ python3 -m paddle.distributed.launch \
**备注：**
* 当前精度最佳的模型会保存在 `output/PPHGNet_small/best_model.pdparams`
<a name="3.3.2"></a>
#### 3.3.2 基于 ImageNet 权重微调
如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
<a name="3.4"></a>
@ -275,7 +275,7 @@ python3 tools/infer.py \
* 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
* 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。

16
docs/zh_CN/models/ImageNet1k/PP-LCNet.md
View File

@ -121,14 +121,14 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
| Model | Params(M) | FLOPs(M) | Top-1 Acc(\%) | Top-5 Acc(\%) | Latency(ms) | 预训练模型下载地址 | inference模型下载地址 |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| PPLCNet_x0_25 | 1.5 | 18 | 51.86 | 75.65 | 1.74 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_25_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_25_infer.tar) |
| PPLCNet_x0_35 | 1.6 | 29 | 58.09 | 80.83 | 1.92 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_35_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_35_infer.tar) |
| PPLCNet_x0_5 | 1.9 | 47 | 63.14 | 84.66 | 2.05 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_5_infer.tar) |
| PPLCNet_x0_75 | 2.4 | 99 | 68.18 | 88.30 | 2.29 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_75_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_75_infer.tar) |
| PPLCNet_x1_0 | 3.0 | 161 | 71.32 | 90.03 | 2.46 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x1_0_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_0_infer.tar) |
| PPLCNet_x1_5 | 4.5 | 342 | 73.71 | 91.53 | 3.19 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x1_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_5_infer.tar) |
| PPLCNet_x2_0 | 6.5 | 590 | 75.18 | 92.27 | 4.27 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x2_0_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x2_0_infer.tar) |
| PPLCNet_x2_5 | 9.0 | 906 | 76.60 | 93.00 | 5.39 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x2_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x2_5_infer.tar) |
| PPLCNet_x0_25 | 1.5 | 18 | 51.86 | 75.65 | 0.44 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_25_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_25_infer.tar) |
| PPLCNet_x0_35 | 1.6 | 29 | 58.09 | 80.83 | 0.45 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_35_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_35_infer.tar) |
| PPLCNet_x0_5 | 1.9 | 47 | 63.14 | 84.66 | 0.44 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_5_infer.tar) |
| PPLCNet_x0_75 | 2.4 | 99 | 68.18 | 88.30 | 0.44 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_75_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_75_infer.tar) |
| PPLCNet_x1_0 | 3.0 | 161 | 71.32 | 90.03 | 0.47 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x1_0_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_0_infer.tar) |
| PPLCNet_x1_5 | 4.5 | 342 | 73.71 | 91.53 | 0.54 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x1_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_5_infer.tar) |
| PPLCNet_x2_0 | 6.5 | 590 | 75.18 | 92.27 | 0.64 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x2_0_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x2_0_infer.tar) |
| PPLCNet_x2_5 | 9.0 | 906 | 76.60 | 93.00 | 0.71 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x2_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x2_5_infer.tar) |
| PPLCNet_x0_5_ssld | 1.9 | 47 | 66.10 | 86.46 | 2.05 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_5_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_5_ssld_infer.tar) |
| PPLCNet_x1_0_ssld | 3.0 | 161 | 74.39 | 92.09 | 2.46 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x1_0_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_0_ssld_infer.tar) |
| PPLCNet_x2_5_ssld | 9.0 | 906 | 80.82 | 95.33 | 5.39 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x2_5_ssld_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x2_5_ssld_infer.tar) |

8
docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md
View File

@ -112,7 +112,7 @@ PPLCNetV2 目前提供的模型的精度、速度指标及预训练权重链接
|:--:|:--:|:--:|:--:|:--:|:--:|
| MobileNetV3_Large_x1_25 | 7.4 | 714 | 76.4 | 93.00 | 5.19 |
| PPLCNetV1_x2_5 | 9 | 906 | 76.60 | 93.00 | 7.25 |
| <b>PPLCNetV2_base<b> | <b>6.6<b> | <b>604<b> | <b>77.04<b> | <b>93.27<b> | <b>4.32<b> |
| <b>PPLCNetV2_base<b> | <b>6.6<b> | <b>604<b> | <b>77.04<b> | <b>93.27<b> | <b>0.68<b> |
| <b>PPLCNetV2_base_ssld<b> | <b>6.6<b> | <b>604<b> | <b>80.07<b> | <b>94.87<b> | <b>4.32<b> |
@ -231,7 +231,7 @@ cd path_to_PaddleClas
<a name="3.3"></a>
### 3.3 模型训练
<a name="3.3.1"></a>
#### 3.3.1 训练 ImageNet
@ -249,7 +249,7 @@ python3 -m paddle.distributed.launch \
**备注：**
* 当前精度最佳的模型会保存在 `output/PPLCNetV2_base/best_model.pdparams`
#### 3.3.2 基于 ImageNet 权重微调
如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
@ -293,7 +293,7 @@ python3 tools/infer.py \
* 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
* 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。
<a name="4"></a>

19
docs/zh_CN/models/ImageNet1k/PVTV2.md
View File

@ -40,6 +40,25 @@ PVTV2 是 VisionTransformer 系列模型，该模型基于 PVT（Pyramid Vision
| PVT_V2_B5 | 0.837 | 0.966 | 0.838 | - | 11.4 | 82.0 |
| PVT_V2_B2_Linear | 0.821 | 0.961 | 0.821 | - | 3.8 | 22.6 |
**备注：** PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| PVT_V2_B0 | 224 | 2.87 | 3.46 | - |
| PVT_V2_B1 | 224 | 3.32 | 5.48 | - |
| PVT_V2_B2 | 224 | 5.94 | 9.98 | - |
| PVT_V2_B3 | 224 | 9.46 | - | - |
| PVT_V2_B4 | 224 | 14.06 | - | - |
| PVT_V2_B5 | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>
## 2. 模型快速体验

6
docs/zh_CN/models/ImageNet1k/PeleeNet.md
View File

@ -43,7 +43,11 @@ PeleeNet 系列模型是基于 DenseNet 网络所提出的稠密链接的思想
#### 1.3.1 基于 V100 GPU 的预测速度
敬请期待。
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| PeleeNet | 224 | 1.26 | 2.10 | 2.47 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>

10
docs/zh_CN/models/ImageNet1k/ReXNet.md
View File

@ -50,11 +50,11 @@ ReXNet 是 NAVER 集团 ClovaAI 研发中心基于一种网络架构设计新范
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ---------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| ReXNet_1_0 | 224 | 3.08 | 4.15 | 5.49 |
| ReXNet_1_3 | 224 | 3.54 | 4.87 | 6.54 |
| ReXNet_1_5 | 224 | 3.68 | 5.31 | 7.38 |
| ReXNet_2_0 | 224 | 4.30 | 6.54 | 9.19 |
| ReXNet_3_0 | 224 | 5.74 | 9.49 | 13.62 |
| ReXNet_1_0 | 224 | 3.10 | 3.29 | 3.50 |
| ReXNet_1_3 | 224 | 3.38 | 3.45 | 4.37 |
| ReXNet_1_5 | 224 | 3.20 | 3.57 | 5.00 |
| ReXNet_2_0 | 224 | 3.32 | 4.45 | 6.50 |
| ReXNet_3_0 | 224 | 3.83 | 6.81 | 10.42 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

10
docs/zh_CN/models/ImageNet1k/RedNet.md
View File

@ -50,11 +50,11 @@
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| --------- | --------- | ---------------- | ---------------- | ----------------- |
| RedNet26 | 224 | 4.45 | 15.16 | 29.03 |
| RedNet38 | 224 | 6.24 | 21.39 | 41.26 |
| RedNet50 | 224 | 8.04 | 27.71 | 53.73 |
| RedNet101 | 224 | 13.07 | 44.12 | 83.28 |
| RedNet152 | 224 | 18.66 | 63.27 | 119.48 |
| RedNet26 | 224 | 5.36 | 17.89 | 31.83 |
| RedNet38 | 224 | 7.42 | 25.11 | 45.99 |
| RedNet50 | 224 | 9.47 | 31.93 | 61.41 |
| RedNet101 | 224 | 14.89 | 51.40 | 98.07 |
| RedNet152 | 224 | 21.41 | 74.07 | 138.91 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

23
docs/zh_CN/models/ImageNet1k/RepVGG.md
View File

@ -49,6 +49,29 @@ RepVGG(Making VGG-style ConvNets Great Again)系列模型是由清华大学(丁
**备注：** PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| RepVGG_A0 | 224 | 1.38 | 1.85 | 2.81 |
| RepVGG_A1 | 224 | 1.68 | 2.33 | 3.70 |
| RepVGG_A2 | 224 | 2.31 | 4.46 | 6.53 |
| RepVGG_B0 | 224 | 1.99 | 2.87 | 4.67 |
| RepVGG_B1 | 224 | 3.56 | 7.64 | 13.94 |
| RepVGG_B2 | 224 | 4.45 | 9.79 | 19.13 |
| RepVGG_B1g2 | 224 | 4.18 | 6.93 | 11.99 |
| RepVGG_B1g4 | 224 | 4.73 | 7.23 | 11.14 |
| RepVGG_B2g4 | 224 | 5.47 | 8.94 | 14.73 |
| RepVGG_B3 | 224 | 4.28 | 11.64 | 21.14 |
| RepVGG_B3g4 | 224 | 4.21 | 8.22 | 14.69 |
| RepVGG_D2se | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>
## 2. 模型快速体验

10
docs/zh_CN/models/ImageNet1k/Res2Net.md
View File

@ -64,14 +64,14 @@ Res2Net 是 2019 年提出的一种全新的对 ResNet 的改进方案，该方
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-----------------------|-------------------|-----------------------|-----------------------|-----------------------|
| Res2Net50_26w_4s | 224 | 3.52 | 6.23 | 9.30 |
| Res2Net50_vd_26w_4s | 224 | 3.59 | 6.35 | 9.50 |
| Res2Net50_14w_8s | 224 | 4.39 | 7.21 | 10.38 |
| Res2Net50_26w_4s | 224 | 3.31 | 5.65 | 8.33 |
| Res2Net50_vd_26w_4s | 224 | 3.35 | 5.79 | 8.63 |
| Res2Net50_14w_8s | 224 | 4.13 | 6.56 | 9.45 |
| Res2Net101_vd_26w_4s | 224 | 6.34 | 11.02 | 16.13 |
| Res2Net200_vd_26w_4s | 224 | 11.45 | 19.77 | 28.81 |
| Res2Net50_vd_26w_4s_ssld | 224 | 3.58 | 6.35 | 9.52 |
| Res2Net101_vd_26w_4s_ssld | 224 | 6.33 | 11.02 | 16.11 |
| Res2Net200_vd_26w_4s_ssld | 224 | 11.47 | 19.75 | 28.83 |
| Res2Net101_vd_26w_4s_ssld | 224 | 9.56 | 10.56 | 15.20 |
| Res2Net200_vd_26w_4s_ssld | 224 | 10.80 | 19.48 | 27.95 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

7
docs/zh_CN/models/ImageNet1k/ResNeSt.md
View File

@ -49,8 +49,11 @@ ResNeSt 系列模型是在 2020 年提出的，在原有的 resnet 网络结构
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ---------------------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| ResNeSt50_fast_1s1x64d | 224 | 2.73 | 5.33 | 8.24 |
| ResNeSt50 | 224 | 7.36 | 10.23 | 13.84 |
| ResNeSt50_fast_1s1x64d | 224 | 2.43 | 4.34 | 6.96 |
| ResNeSt50 | 224 | 13.08 | 16.38 | 23.18 |
| ResNeSt101 | 256 | 19.16 | 22.62 | 32.59 |
| ResNeSt200 | 224 | - | - | - |
| ResNeSt269 | 224 | - | - | - |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

16
docs/zh_CN/models/ImageNet1k/ResNeXt.md
View File

@ -72,14 +72,14 @@ ResNeXt 是 ResNet 的典型变种网络之一，ResNeXt 发表于 2017 年的 C
| ResNeXt50_vd_32x4d | 224 | 5.29 | 8.68 | 12.33 |
| ResNeXt50_64x4d | 224 | 9.39 | 13.97 | 20.56 |
| ResNeXt50_vd_64x4d | 224 | 9.75 | 14.14 | 20.84 |
| ResNeXt101_32x4d | 224 | 11.34 | 16.78 | 22.80 |
| ResNeXt101_vd_32x4d | 224 | 11.36 | 17.01 | 23.07 |
| ResNeXt101_64x4d | 224 | 21.57 | 28.08 | 39.49 |
| ResNeXt101_vd_64x4d | 224 | 21.57 | 28.22 | 39.70 |
| ResNeXt152_32x4d | 224 | 17.14 | 25.11 | 33.79 |
| ResNeXt152_vd_32x4d | 224 | 16.99 | 25.29 | 33.85 |
| ResNeXt152_64x4d | 224 | 33.07 | 42.05 | 59.13 |
| ResNeXt152_vd_64x4d | 224 | 33.30 | 42.41 | 59.42 |
| ResNeXt101_32x4d | 224 | 4.81 | 17.60 | 22.98 |
| ResNeXt101_vd_32x4d | 224 | 4.85 | 17.50 | 23.11 |
| ResNeXt101_64x4d | 224 | 10.88 | 20.17 | 41.79 |
| ResNeXt101_vd_64x4d | 224 | 7.34 | 22.46 | 41.79 |
| ResNeXt152_32x4d | 224 | 7.09 | 27.16 | 34.32 |
| ResNeXt152_vd_32x4d | 224 | 4.85 | 26.83 | 34.48 |
| ResNeXt152_64x4d | 224 | 3.62 | 30.14 | 62.60 |
| ResNeXt152_vd_64x4d | 224 | 3.68 | 30.30 | 62.94 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

8
docs/zh_CN/models/ImageNet1k/ResNeXt101_wsl.md
View File

@ -61,10 +61,10 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------------------------|-------------------|-------------------------------|-------------------------------|-------------------------------|
| ResNeXt101_<br>32x8d_wsl | 224 | 13.55 | 23.39 | 36.18 |
| ResNeXt101_<br>32x16d_wsl | 224 | 21.96 | 38.35 | 63.29 |
| ResNeXt101_<br>32x32d_wsl | 224 | 37.28 | 76.50 | 121.56 |
| ResNeXt101_<br>32x48d_wsl | 224 | 55.07 | 124.39 | 205.01 |
| ResNeXt101_<br>32x8d_wsl | 224 | 15.85 | 23.61 | 35.60 |
| ResNeXt101_<br>32x16d_wsl | 224 | 20.58 | 37.38 | 66.45 |
| ResNeXt101_<br>32x32d_wsl | 224 | 49.87 | 86.16 | 120.14 |
| ResNeXt101_<br>32x48d_wsl | 224 | 69.81 | 121.22 | 205.55 |
| Fix_ResNeXt101_<br>32x48d_wsl | 320 | 55.01 | 122.63 | 204.66 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

28
docs/zh_CN/models/ImageNet1k/ResNet.md
View File

@ -83,22 +83,22 @@ PaddleClas 提供的 ResNet 系列的模型包括 ResNet50，ResNet50_vd，ResNe
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|:--:|:--:|:--:|:--:|:--:|
| ResNet18 | 224 | 1.22 | 2.19 | 3.63 |
| ResNet18_vd | 224 | 1.26 | 2.28 | 3.89 |
| ResNet34 | 224 | 1.97 | 3.25 | 5.70 |
| ResNet34_vd | 224 | 2.00 | 3.28 | 5.84 |
| ResNet18 | 224 | 1.08 | 1.44 | 2.40 |
| ResNet18_vd | 224 | 1.11 | 1.52 | 2.60 |
| ResNet34 | 224 | 1.83 | 2.41 | 4.23 |
| ResNet34_vd | 224 | 1.87 | 2.49 | 4.41 |
| ResNet34_vd_ssld | 224 | 2.00 | 3.26 | 5.85 |
| ResNet50 | 224 | 2.54 | 4.79 | 7.40 |
| ResNet50 | 224 | 2.19 | 3.77 | 6.22 |
| ResNet50_vc | 224 | 2.57 | 4.83 | 7.52 |
| ResNet50_vd | 224 | 2.60 | 4.86 | 7.63 |
| ResNet101 | 224 | 4.37 | 8.18 | 12.38 |
| ResNet101_vd | 224 | 4.43 | 8.25 | 12.60 |
| ResNet152 | 224 | 6.05 | 11.41 | 17.33 |
| ResNet152_vd | 224 | 6.11 | 11.51 | 17.59 |
| ResNet200_vd | 224 | 7.70 | 14.57 | 22.16 |
| SE_ResNet18_vd | 224 | 1.48 | 2.70 | 4.32 |
| SE_ResNet34_vd | 224 | 2.42 | 3.69 | 6.29 |
| SE_ResNet50_vd | 224 | 3.11 | 5.99 | 9.34 |
| ResNet50_vd | 224 | 2.32 | 3.92 | 6.46 |
| ResNet101 | 224 | 4.00 | 6.84 | 11.24 |
| ResNet101_vd | 224 | 4.04 | 6.84 | 11.44 |
| ResNet152 | 224 | 5.71 | 9.58 | 16.16 |
| ResNet152_vd | 224 | 5.76 | 9.75 | 16.40 |
| ResNet200_vd | 224 | 7.32 | 12.45 | 21.09 |
| SE_ResNet18_vd | 224 | 1.31 | 1.77 | 2.92 |
| SE_ResNet34_vd | 224 | 2.20 | 2.99 | 2.92 |
| SE_ResNet50_vd | 224 | 2.72 | 5.07 | 8.12 |
| ResNet50_vd_ssld | 224 | 2.59 | 4.87 | 7.62 |
| ResNet101_vd_ssld | 224 | 4.43 | 8.25 | 12.58 |

6
docs/zh_CN/models/ImageNet1k/SENet.md
View File

@ -58,9 +58,9 @@ SENet 是 2017 年 ImageNet 分类比赛的冠军方案，其提出了一个全
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-----------------------|-------------------|-----------------------|-----------------------|-----------------------|
| SE_ResNeXt50_32x4d | 224 | 6.39 | 11.01 | 14.94 |
| SE_ResNeXt50_vd_32x4d | 224 | 7.04 | 11.57 | 16.01 |
| SE_ResNeXt101_32x4d | 224 | 13.31 | 21.85 | 28.77 |
| SE_ResNeXt50_32x4d | 224 | 2.95 | 10.77 | 14.51 |
| SE_ResNeXt50_vd_32x4d | 224 | 3.06 | 10.91 | 15.53 |
| SE_ResNeXt101_32x4d | 224 | 5.78 | 21.04 | 28.67 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

10
docs/zh_CN/models/ImageNet1k/Twins.md
View File

@ -49,12 +49,12 @@ Twins 网络包括 Twins-PCPVT 和 Twins-SVT，其重点对空间注意力机制
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| ------------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| pcpvt_small | 224 | 7.32 | 10.51 | 15.27 |
| pcpvt_base | 224 | 12.20 | 16.22 | 23.16 |
| pcpvt_small | 224 | 5.74 | 10.51 | 15.27 |
| pcpvt_base | 224 | 8.44 | 16.22 | 23.16 |
| pcpvt_large | 224 | 16.47 | 22.90 | 32.73 |
| alt_gvt_small | 224 | 6.94 | 9.01 | 12.27 |
| alt_gvt_base | 224 | 9.37 | 15.02 | 24.54 |
| alt_gvt_large | 224 | 11.76 | 22.08 | 35.12 |
| alt_gvt_small | 224 | 4.93 | 9.01 | 10.02 |
| alt_gvt_base | 224 | 7.48 | 12.60 | 19.93 |
| alt_gvt_large | 224 | 9.28 | 18.72 | 31.18 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

17
docs/zh_CN/models/ImageNet1k/UniFormer.md
View File

@ -38,9 +38,24 @@ UniFormer 是一种新的视觉 Transformer 网络，可以用作计算机视觉
| UniFormer_base | 0.8376 | 0.9672 | 0.839 | - | 7.77 | 49.78 |
| UniFormer_base_ls | 0.8398 | 0.9675 | 0.839 | 0.967 | 7.77 | 49.78 |
**备注：** PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。
### 1.3 Benchmark
<a name='1.3.1'></a>
#### 1.3.1 基于 V100 GPU 的预测速度
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| UniFormer_small | 224 | 3.68 | 5.93 | 9.64 |
| UniFormer_small_plus | 224 | 4.12 | 7.03 | 11.59 |
| UniFormer_small_plus_dim64 | 224 | 3.91 | 6.56 | 10.69 |
| UniFormer_base | 224 | 8.19 | 12.98 | 21.29 |
| UniFormer_base_ls | 224 | 14.79 | - | 22.20 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>
## 2. 模型快速体验

9
docs/zh_CN/models/ImageNet1k/VAN.md
View File

@ -45,7 +45,14 @@ VAN（Visual Attention Network）系列模型是在 2022 年提出的 CNN 架构
#### 1.3.1 基于 V100 GPU 的预测速度
敬请期待。
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
| VAN-B0 | 224 | 9.58 | 10.21 | 10.78 |
| VAN-B1 | 224 | 8.24 | 8.74 | 9.85 |
| VAN-B2 | 224 | 17.09 | 18.48 | 19.32 |
| VAN-B3 | 224 | 32.09 | 33.91 | 36.13 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
<a name="2"></a>

8
docs/zh_CN/models/ImageNet1k/VGG.md
View File

@ -48,10 +48,10 @@ VGG 由牛津大学计算机视觉组和 DeepMind 公司研究员一起研发的
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
|---------------------------|-------------------|-------------------|-------------------|-------------------|
| VGG11 | 224 | 1.72 | 4.15 | 7.24 |
| VGG13 | 224 | 2.02 | 5.28 | 9.54 |
| VGG16 | 224 | 2.48 | 6.79 | 12.33 |
| VGG19 | 224 | 2.93 | 8.28 | 15.21 |
| VGG11 | 224 | 1.54 | 3.71 | 6.64 |
| VGG13 | 224 | 1.83 | 4.96 | 9.16 |
| VGG16 | 224 | 2.28 | 6.56 | 12.25 |
| VGG19 | 224 | 2.73 | 8.18 | 15.33 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。

14
docs/zh_CN/models/ImageNet1k/ViT.md
View File

@ -52,13 +52,13 @@ ViT（Vision Transformer）系列模型是 Google 在 2020 年提出的，该模
| Models | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
| -------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
| ViT_small_<br/>patch16_224 | 224 | 3.71 | 9.05 | 16.72 |
| ViT_base_<br/>patch16_224 | 224 | 6.12 | 14.84 | 28.51 |
| ViT_base_<br/>patch16_384 | 384 | 14.15 | 48.38 | 95.06 |
| ViT_base_<br/>patch32_384 | 384 | 4.94 | 13.43 | 24.08 |
| ViT_large_<br/>patch16_224 | 224 | 15.53 | 49.50 | 94.09 |
| ViT_large_<br/>patch16_384 | 384 | 39.51 | 152.46 | 304.06 |
| ViT_large_<br/>patch32_384 | 384 | 11.44 | 36.09 | 70.63 |
| ViT_small_<br/>patch16_224 | 224 | 3.81 | 8.65 | 15.80 |
| ViT_base_<br/>patch16_224 | 224 | 5.93 | 15.46 | 27.14 |
| ViT_base_<br/>patch16_384 | 384 | 13.78 | 45.59 | 88.65 |
| ViT_base_<br/>patch32_384 | 384 | 5.29 | 12.33 | 22.44 |
| ViT_large_<br/>patch16_224 | 224 | 15.57 | 49.66 | 91.45 |
| ViT_large_<br/>patch16_384 | 384 | 38.67 | 142.57 | 282.87 |
| ViT_large_<br/>patch32_384 | 384 | 12.07 | 34.53 | 65.81 |
**备注：** 精度类型为 FP32，推理过程使用 TensorRT。