mobilenet_v3_large

torchvision.models.quantization.mobilenet_v3_large(*, weights: Optional[Union[MobileNet_V3_Large_QuantizedWeights, MobileNet_V3_Large_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableMobileNetV3

MobileNetV3 (Large) 模型，出自 Searching for MobileNetV3。

注意

请注意，quantize = True 将返回一个带有 8 位权重的量化模型。量化模型仅支持推理并在 CPU 上运行。目前暂不支持 GPU 推理。

参数:

• weights (MobileNet_V3_Large_QuantizedWeights 或 MobileNet_V3_Large_Weights, 可选) – 模型的预训练权重。有关更多详细信息和可能的值，请参阅下面的 MobileNet_V3_Large_QuantizedWeights。默认情况下，不使用预训练权重。

• progress（bool）– 如果为 True，则在 stderr 上显示下载进度条。默认为 True。

• quantize (bool) – 如果为 True，则返回模型的量化版本。默认为 False。

• **kwargs – 传递给 torchvision.models.quantization.MobileNet_V3_Large_QuantizedWeights 基类的参数。有关此类更多详细信息，请参阅 源代码。

class torchvision.models.quantization.MobileNet_V3_Large_QuantizedWeights(value)

上面的模型构建器接受以下值作为 weights 参数。 MobileNet_V3_Large_QuantizedWeights.DEFAULT 等同于 MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_QNNPACK_V1'。

MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1:

这些权重是通过在下面的未量化权重之上进行量化感知训练（Eager 模式）生成的。也可用作 MobileNet_V3_Large_QuantizedWeights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	73.004
acc@5 (在 ImageNet-1K 上)	90.858
参数数量	5483032
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
backend	qnnpack
方案	链接
unquantized	MobileNet_V3_Large_Weights.IMAGENET1K_V1
GIPS	0.22
文件大小	21.6 MB

推理转换可在 MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 InterpolationMode.BILINEAR 插值调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，值首先缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

class torchvision.models.MobileNet_V3_Large_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 MobileNet_V3_Large_Weights.DEFAULT 等同于 MobileNet_V3_Large_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MobileNet_V3_Large_Weights.IMAGENET1K_V1:

这些权重是通过使用 TorchVision 的 新训练实践 的简单训练配方从头开始训练的。

acc@1 (在 ImageNet-1K 上)	74.042
acc@5 (在 ImageNet-1K 上)	91.34
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	5483032
方案	链接
GFLOPS	0.22
文件大小	21.1 MB

推理转换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 InterpolationMode.BILINEAR 插值调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，值首先缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

MobileNet_V3_Large_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新训练实践 的修改版本，在原始论文结果的基础上有了微小的改进。也可用作 MobileNet_V3_Large_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	75.274
acc@5 (在 ImageNet-1K 上)	92.566
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	5483032
方案	链接
GFLOPS	0.22
文件大小	21.1 MB

推理转换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V2.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 InterpolationMode.BILINEAR 插值调整为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。最后，值首先缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。