docs: add the number
gaotingquan
Tingquan Gao
parent
6fbd3db54f
commit
f2e7ea86cf
|
|
@ -5,13 +5,13 @@
|
|||
|
||||
## 目录
|
||||
|
||||
- [模型库概览图](#Overview)
|
||||
- [SSLD 知识蒸馏预训练模型](#SSLD)
|
||||
- [服务器端知识蒸馏模型](#SSLD_server)
|
||||
- [移动端知识蒸馏模型](#SSLD_mobile)
|
||||
- [Intel CPU 端知识蒸馏模型](#SSLD_intel_cpu)
|
||||
- [CNN 系列模型](#CNN_based)
|
||||
- [服务器端模型](#CNN_server)
|
||||
- [一、模型库概览图](#Overview)
|
||||
- [二、SSLD 知识蒸馏预训练模型](#SSLD)
|
||||
- [2.1 服务器端知识蒸馏模型](#SSLD_server)
|
||||
- [2.2 移动端知识蒸馏模型](#SSLD_mobile)
|
||||
- [2.3 Intel CPU 端知识蒸馏模型](#SSLD_intel_cpu)
|
||||
- [三、CNN 系列模型](#CNN_based)
|
||||
- [3.1 服务器端模型](#CNN_server)
|
||||
- [PP-HGNet 系列](#PPHGNet)
|
||||
- [ResNet 系列](#ResNet)
|
||||
- [SEResNeXt 与 Res2Net 系列](#SEResNeXt&Res2Net)
|
||||
|
|
@ -27,11 +27,11 @@
|
|||
- [DLA 系列](#DLA)
|
||||
- [RedNet 系列](#RedNet)
|
||||
- [其他模型](#Others)
|
||||
- [轻量级模型](#CNN_lite)
|
||||
- [3.2 轻量级模型](#CNN_lite)
|
||||
- [移动端系列](#Mobile)
|
||||
- [PP-LCNet & PP-LCNetV2 系列](#PPLCNet)
|
||||
- [Transformer 系列模型](#Transformer_based)
|
||||
- [服务器端模型](#Transformer_server)
|
||||
- [四、Transformer 系列模型](#Transformer_based)
|
||||
- [4.1 服务器端模型](#Transformer_server)
|
||||
- [ViT_and_DeiT 系列](#ViT&DeiT)
|
||||
- [SwinTransformer 系列](#SwinTransformer)
|
||||
- [Twins 系列](#Twins)
|
||||
|
|
@ -39,13 +39,13 @@
|
|||
- [PVTV2 系列](#PVTV2)
|
||||
- [LeViT 系列](#LeViT)
|
||||
- [TNT 系列](#TNT)
|
||||
- [轻量级模型](#Transformer_lite)
|
||||
- [4.2 轻量级模型](#Transformer_lite)
|
||||
- [MobileViT 系列](#MobileViT)
|
||||
- [参考文献](#reference)
|
||||
- [五、参考文献](#reference)
|
||||
|
||||
<a name="Overview"></a>
|
||||
|
||||
## 模型库概览图
|
||||
## 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)。
|
||||
|
|
@ -67,12 +67,12 @@
|
|||
|
||||
<a name="SSLD"></a>
|
||||
|
||||
## SSLD 知识蒸馏预训练模型
|
||||
## 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](../../algorithm_introduction/knowledge_distillation.md)。
|
||||
|
||||
<a name="SSLD_server"></a>
|
||||
|
||||
### 服务器端知识蒸馏模型
|
||||
### 2.1 服务器端知识蒸馏模型
|
||||
|
||||
| 模型 | Top-1 Acc | Reference<br>Top-1 Acc | Acc gain | time(ms)<br>bs=1 | time(ms)<br>bs=4 | time(ms)<br/>bs=8 | FLOPs(G) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
|
||||
|---------------------|-----------|-----------|---------------|----------------|-----------|----------|-----------|-----------------------------------|-----------------------------------|-----------------------------------|
|
||||
|
|
@ -90,7 +90,7 @@
|
|||
|
||||
<a name="SSLD_mobile"></a>
|
||||
|
||||
### 移动端知识蒸馏模型
|
||||
### 2.2 移动端知识蒸馏模型
|
||||
|
||||
| 模型 | Top-1 Acc | Reference<br>Top-1 Acc | Acc gain | SD855 time(ms)<br>bs=1, thread=1 | SD855 time(ms)<br/>bs=1, thread=2 | SD855 time(ms)<br/>bs=1, thread=4 | FLOPs(M) | Params(M) | <span style="white-space:nowrap;">模型大小(M)</span> | 预训练模型下载地址 | inference模型下载地址 |
|
||||
|---------------------|-----------|-----------|---------------|----------------|-----------|----------|-----------|-----------------------------------|-----------------------------------|-----------------------------------|-----------------------------------|
|
||||
|
|
@ -103,7 +103,7 @@
|
|||
|
||||
<a name="SSLD_intel_cpu"></a>
|
||||
|
||||
### Intel CPU 端知识蒸馏模型
|
||||
### 2.3 Intel CPU 端知识蒸馏模型
|
||||
|
||||
| 模型 | Top-1 Acc | Reference<br>Top-1 Acc | Acc gain | Intel-Xeon-Gold-6148 time(ms)<br>bs=1 | FLOPs(M) | Params(M) | 预训练模型下载地址 | inference模型下载地址 |
|
||||
|---------------------|-----------|-----------|---------------|----------------|----------|-----------|-----------------------------------|-----------------------------------|
|
||||
|
|
@ -115,11 +115,11 @@
|
|||
|
||||
<a name="CNN_based"></a>
|
||||
|
||||
## CNN 系列模型
|
||||
## 三、CNN 系列模型
|
||||
|
||||
<a name="CNN_server"></a>
|
||||
|
||||
### 服务器端模型
|
||||
### 3.1 服务器端模型
|
||||
|
||||
<a name="PPHGNet"></a>
|
||||
|
||||
|
|
@ -394,7 +394,7 @@ ResNeSt 与 RegNet 系列模型的精度、速度指标如下表所示，更多
|
|||
|
||||
<a name="CNN_lite"></a>
|
||||
|
||||
### 轻量级模型
|
||||
### 3.2 轻量级模型
|
||||
|
||||
<a name="Mobile"></a>
|
||||
|
||||
|
|
@ -472,11 +472,11 @@ PP-LCNet 系列模型的精度、速度指标如下表所示，更多关于该
|
|||
|
||||
<a name="Transformer_based"></a>
|
||||
|
||||
### Transformer 系列模型
|
||||
### 四、Transformer 系列模型
|
||||
|
||||
<a name="Transformer_server"></a>
|
||||
|
||||
### 服务器端模型
|
||||
### 4.1 服务器端模型
|
||||
|
||||
<a name="ViT&DeiT"></a>
|
||||
|
||||
|
|
@ -602,7 +602,7 @@ ViT(Vision Transformer) 与 DeiT（Data-efficient Image Transformers）系列模
|
|||
|
||||
<a name="Transformer_lite"></a>
|
||||
|
||||
### 轻量级模型
|
||||
### 4.2 轻量级模型
|
||||
|
||||
<a name="MobileViT"></a>
|
||||
|
||||
|
|
@ -618,7 +618,7 @@ ViT(Vision Transformer) 与 DeiT（Data-efficient Image Transformers）系列模
|
|||
|
||||
<a name='reference'></a>
|
||||
|
||||
## 参考文献
|
||||
## 五、参考文献
|
||||
|
||||
<a name="ref1">[1]</a> 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.
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue