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

来自 Searching for MobileNetV3的MobileNetV3（大型）模型。

注意

请注意，quantize = True 返回一个具有8位权重的量化模型。量化模型仅支持推理并在CPU上运行。目前尚不支持GPU推理。

Parameters:

• weights (MobileNet_V3_Large_QuantizedWeights 或 MobileNet_V3_Large_Weights, 可选) – 模型的预训练权重。有关更多详情和可能的值，请参见下面的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，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。请参阅源代码 以获取有关此类的更多详细信息。

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。你也可以使用字符串，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列出的未量化权重上进行量化感知训练（eager模式）生成的。 也可作为 MobileNet_V3_Large_QuantizedWeights.DEFAULT 使用。

准确率@1（在ImageNet-1K上）	73.004
acc@5 (在 ImageNet-1K 上)	90.858
num_params	5483032
最小尺寸	高度=1, 宽度=1
分类	鲶鱼，金鱼，大白鲨，…（省略997种）
后端	qnnpack
食谱	link
未量化的	MobileNet_V3_Large_Weights.IMAGENET1K_V1
全球投资绩效标准	0.22
文件大小	21.6 MB

推理转换可在 MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像首先使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，值首先被重新缩放到 [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。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。

MobileNet_V3_Large_Weights.IMAGENET1K_V1:

这些权重是通过使用简单的训练方法从头开始训练的。

准确率@1（在ImageNet-1K上）	74.042
acc@5 (在 ImageNet-1K 上)	91.34
最小尺寸	高度=1, 宽度=1
分类	鲶鱼，金鱼，大白鲨，…（省略997种）
num_params	5483032
食谱	link
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，批处理 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，值首先重新缩放到 [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的新训练配方的修改版本，略微改进了原始论文的结果。 也可作为MobileNet_V3_Large_Weights.DEFAULT使用。

准确率@1（在ImageNet-1K上）	75.274
acc@5 (在 ImageNet-1K 上)	92.566
最小尺寸	高度=1, 宽度=1
分类	鲶鱼，金鱼，大白鲨，…（省略997种）
num_params	5483032
食谱	link
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、批处理 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行 crop_size=[224] 的中心裁剪。最后，值首先重新缩放到 [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。