PaddleClas/docs/zh_CN/models/ResNeSt_RegNet.md

ResNeSt 与 RegNet 系列

---

目录

• 1. 概述
• 2. 精度、FLOPS 和参数量
• 3. 基于 V100 GPU 的预测速度
• 4. 基于 T4 GPU 的预测速度

1. 概述

ResNeSt 系列模型是在 2020 年提出的，在原有的 resnet 网络结构上做了改进，通过引入 K 个 Group 和在不同 Group 中加入类似于 SEBlock 的 attention 模块，使得精度相比于基础模型 ResNet 有了大幅度的提高，且参数量和 flops 与基础的 ResNet 基本保持一致。

RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概念，在 AnyNetX 的基础上逐步改进，通过加入共享瓶颈 ratio、共享组宽度、调整网络深度与宽度等策略，最终实现简化设计空间结构、提高设计空间的可解释性、改善设计空间的质量，并保持设计空间的模型多样性的目的。最终设计出的模型在类似的条件下，性能还要优于 EfficientNet，并且在 GPU 上的速度提高了 5 倍。

2. 精度、FLOPS 和参数量

Models	Top1	Top5	Reference top1	Reference top5	FLOPS (G)	Parameters (M)
ResNeSt50_fast_1s1x64d	0.8035	0.9528	0.8035	-	8.68	26.3
ResNeSt50	0.8083	0.9542	0.8113	-	10.78	27.5
RegNetX_4GF	0.7850	0.9416	0.7860	-	8.0	22.1

3. 基于 V100 GPU 的预测速度

Models	Crop Size	Resize Short Size	FP32 Batch Size=1 (ms)	FP32 Batch Size=4 (ms)	FP32 Batch Size=8 (ms)
ResNeSt50_fast_1s1x64d	224	256	2.73	5.33	8.24
ResNeSt50	224	256	7.36	10.23	13.84
RegNetX_4GF	224	256	6.46	8.48	11.45

4. 基于 T4 GPU 的预测速度

Models	Crop Size	Resize Short Size	FP16 Batch Size=1 (ms)	FP16 Batch Size=4 (ms)	FP16 Batch Size=8 (ms)	FP32 Batch Size=1 (ms)	FP32 Batch Size=4 (ms)	FP32 Batch Size=8 (ms)
ResNeSt50_fast_1s1x64d	224	256	3.46466	5.56647	9.11848	3.45405	8.72680	15.48710
ResNeSt50	224	256	7.05851	8.97676	13.34704	6.16248	12.0633	21.49936
RegNetX_4GF	224	256	6.69042	8.01664	11.60608	6.46478	11.19862	16.89089