自定义主干网络

注：优先顺序 自定义网络 > timm库

方案1：Timm库（推荐⭐️）

持续更新SOTA的预训练模型(>600)。官方文档

适用场景：仅更改预测类别数。

1. 挑选SOTA模型

   import timm
   from pprint import pprint
   
   model_names = timm.list_models(pretrained=True) # 查询模型名称
   # model_names = timm.list_models('*resne*t*') # 支持通配符
   pprint(model_names)
   >>> ['resnet18','resnet50',...]

2. 配置文件启用Backbone = "resnet18"

方案2：自定义

适用场景：自定义网络。

1. 主干网络入口Models/Backbone/backbone.py实现具体方法，命名为MyNet。
2. 配置文件启用Backbone = "MyNet"

---

附：基于Timm库定制

官方文档

基本结构

• 输入：3x224x224的图像

• 卷积层：降采样2、4、8、16、32倍，输出channel x 7 x 7特征。

• 全局池化层：全局池化，输出N维特征(N=通道数)。

• 分类层：输出最终类别维度。

特征提取器

# 创建 无全局池化和分类层的网络, 将输出卷积层最后特征 [batch, channel, 7, 7]
features = timm.create_model("resnet18", pretrained=True, num_classes=0, global_pool='') 

# 创建 无分类层的网络, 将输出全局池化后的特征 [batch, channel]
features = timm.create_model("resnet18", pretrained=True, num_classes=0) 

获取中间层特征

# 将输出 卷积层5次降采样的特征
features = timm.create_model("resnet18", pretrained=True, features_only=True)

img = torch.ones((1, 3, 224, 224))
features(img)  # list
# [batch,x,112,112]
# [batch,x,56,56] 
# [batch,x,28,28]  
# [batch,x,14,14] 
# [batch,x,7,7]