快速上手tf_efficientnetv2_m.in21k_ft_in1k：3行代码实现Top-5图像识别

【免费下载链接】tf_efficientnetv2_m.in21k_ft_in1k 项目地址: https://ai.gitcode.com/hf_mirrors/timm/tf_efficientnetv2_m.in21k_ft_in1k

tf_efficientnetv2_m.in21k_ft_in1k是一款基于EfficientNet-v2架构的图像分类模型，它在ImageNet-21k数据集上进行预训练，然后在ImageNet-1k数据集上进行微调，由论文作者使用Tensorflow训练，并由Ross Wightman移植到PyTorch。该模型非常适合新手和普通用户快速实现图像识别功能。

模型亮点 ✨

tf_efficientnetv2_m.in21k_ft_in1k具有以下出色特性：

• 强大性能：拥有54.1M参数，15.9 GMACs和57.5M激活值，能提供高精度的图像分类结果
• 优化设计：训练时使用384x384图像尺寸，测试时采用480x480，在速度和精度间取得平衡
• 多用途：不仅可用于图像分类，还支持特征图提取和图像嵌入生成

准备工作 📋

在开始使用tf_efficientnetv2_m.in21k_ft_in1k之前，需要先进行简单的准备工作：

1. 克隆仓库：

git clone https://gitcode.com/hf_mirrors/timm/tf_efficientnetv2_m.in21k_ft_in1k

2. 安装依赖：确保已安装timm库和PyTorch环境

3行核心代码实现图像识别 🚀

下面是使用tf_efficientnetv2_m.in21k_ft_in1k进行图像识别的核心代码，只需3行关键代码即可实现Top-5图像识别：

import timm
from PIL import Image

# 1. 创建模型
model = timm.create_model('tf_efficientnetv2_m.in21k_ft_in1k', pretrained=True).eval()

# 2. 获取模型特定的变换
transforms = timm.data.create_transform(**timm.data.resolve_model_data_config(model), is_training=False)

# 3. 执行预测并获取Top-5结果
output = model(transforms(Image.open("test_image.jpg")).unsqueeze(0))
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

完整使用示例 🔍

以下是一个完整的图像分类示例，展示如何使用tf_efficientnetv2_m.in21k_ft_in1k识别图像：

from urllib.request import urlopen
from PIL import Image
import timm
import torch

# 加载图像
img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

# 创建模型
model = timm.create_model('tf_efficientnetv2_m.in21k_ft_in1k', pretrained=True)
model = model.eval()

# 获取模型特定的变换（归一化、调整大小）
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

# 执行预测
output = model(transforms(img).unsqueeze(0))  # 将单张图像转换为批量为1的输入

# 获取Top-5结果
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

# 打印结果
print("Top 5 预测结果:")
for i in range(5):
    print(f"类别 {top5_class_indices[0][i]}: {top5_probabilities[0][i]:.2f}%")

高级应用场景 🌟

tf_efficientnetv2_m.in21k_ft_in1k不仅可以用于简单的图像分类，还支持多种高级应用：

特征图提取

model = timm.create_model(
    'tf_efficientnetv2_m.in21k_ft_in1k',
    pretrained=True,
    features_only=True,
)
output = model(transforms(img).unsqueeze(0))
# 输出包含多个特征图，形状如:
# torch.Size([1, 24, 192, 192])
# torch.Size([1, 48, 96, 96])
# ...

图像嵌入生成

model = timm.create_model(
    'tf_efficientnetv2_m.in21k_ft_in1k',
    pretrained=True,
    num_classes=0,  # 移除分类器
)
output = model(transforms(img).unsqueeze(0))  # 输出形状为 (batch_size, num_features)

模型配置详情 📊

tf_efficientnetv2_m.in21k_ft_in1k的配置信息可以在config.json中找到，主要包括：

• 输入大小：[3, 384, 384]（训练）和[3, 480, 480]（测试）
• 均值和标准差：[0.5, 0.5, 0.5]
• 池化大小：[12, 12]
• 类别数量：1000

引用与致谢 🙏

如果您在研究中使用了tf_efficientnetv2_m.in21k_ft_in1k，请考虑引用以下论文：

@inproceedings{tan2021efficientnetv2,
  title={Efficientnetv2: Smaller models and faster training},
  author={Tan, Mingxing and Le, Quoc},
  booktitle={International conference on machine learning},
  pages={10096--10106},
  year={2021},
  organization={PMLR}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

通过本文介绍的方法，您可以轻松上手tf_efficientnetv2_m.in21k_ft_in1k模型，快速实现高效准确的图像识别功能。无论是新手还是有经验的开发者，都能从中受益。

【免费下载链接】tf_efficientnetv2_m.in21k_ft_in1k 项目地址: https://ai.gitcode.com/hf_mirrors/timm/tf_efficientnetv2_m.in21k_ft_in1k