resnext101_32x16d_wsl

resnext101_32x16d_wsl

模型名称	resnext101_32x16d_wsl
类别	图像-图像分类
网络	ResNeXt_wsl
数据集	ImageNet-2012
是否支持Fine-tuning	否
模型大小	744MB
最新更新日期	-
数据指标	-

一、模型基本信息

• 模型介绍

  • 由于人工标注的数据集在规模上已经接近其函数极限，Facebook 的研发人员采用了一种独特的迁移学习研究，通过使用 hashtag 作为标注，在包含数十亿张社交媒体图片的数据集上进行训练，这为大规模训练转向弱监督学习(Weakly Supervised Learning) 取得了重大突破。在 ImageNet 图像识别基准上，ResNeXt101_32x16d_wsl 的 Top-1 达到了 84.24% 的准确率。该 PaddleHub Module结构为 ResNeXt101_32x16d_wsl，接受输入图片大小为 224 x 224 x 3，支持直接通过命令行或者 Python 接口进行预测。

二、安装

• 1、环境依赖

  • paddlepaddle >= 1.6.0

  • paddlehub >= 1.0.0 | 如何安装paddlehub

• 2、安装

  • $ hub install resnext101_32x16d_wsl

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、命令行预测

  • $ hub run resnext101_32x16d_wsl --input_path "/PATH/TO/IMAGE"

  • 通过命令行方式实现图像分类模型的调用，更多请见 PaddleHub命令行指令

• 2、预测代码示例

  • import paddlehub as hub
    import cv2
    
    classifier = hub.Module(name="resnext101_32x16d_wsl")
    test_img_path = "/PATH/TO/IMAGE"
    input_dict = {"image": [test_img_path]}
    result = classifier.classification(data=input_dict)

• 3、API

  • def classification(data)

    • 分类接口API。

    • 参数

      • data：dict类型，key为image，str类型，value为待检测的图片路径，list类型。

    • 返回

      • result：list类型，每个元素为对应输入图片的预测结果。预测结果为dict类型，key为该图片分类结果label，value为该label对应的概率

四、更新历史

• 1.0.0

  初始发布

  • $ hub install resnext101_32x16d_wsl==1.0.0