LeViT 推理实战教程如何用单GPU一行命令快速评估 ImageNet 图像分类准确率【免费下载链接】LeViTLeViT a Vision Transformer in ConvNets Clothing for Faster Inference项目地址: https://gitcode.com/gh_mirrors/le/LeViT关键词LeViT 推理、Vision Transformer 图像分类、ImageNet 评估、单 GPU 部署LeViT 是一款穿着卷积外衣的视觉 TransformerVision Transformer由 Meta AI 提出核心目标就是在保持高精度的同时实现更快的图像分类推理。本文带你用最少的步骤在单 GPU 上用一条命令完成 LeViT 预训练模型在 ImageNet 验证集上的准确率评估帮你快速完成部署验证。 为什么选择 LeViT 做图像分类传统 Vision Transformer如 DeiT精度高但推理速度往往跟不上。LeViT 通过卷积下采样 分块注意力的混合结构在速度与精度之间取得了出色的平衡模型Acc1Acc5FLOPs参数量LeViT-128S76.692.9305M7.8MLeViT-12878.694.0406M9.2MLeViT-19280.094.7658M11MLeViT-25681.695.41120M19MLeViT-38482.696.02353M39M在 GPU 上LeViT-256 能以约5000 张图/秒的吞吐达到 81.6% 的 Top-1 精度远超同精度下的 EfficientNet 系列。上图LeViT 家族与 EfficientNet、DeiT 在单 CPU 核与单 GPU 上的 ImageNet Top-1 准确率 vs. 吞吐对比绿色曲线即 LeViT 系列。 环境准备最快配置方法1️⃣ 克隆代码仓库git clone https://gitcode.com/gh_mirrors/le/LeViT cd LeViT2️⃣ 安装依赖需要PyTorch 1.7.0和torchvision 0.8.1以及图像模型库timmconda install -c pytorch pytorch torchvision pip install timm3️⃣ 准备 ImageNet 数据将 ImageNet 2012 解压为标准 ImageFolder 目录结构train/与val/两个子目录每个类别一个文件夹/path/to/imagenet/ train/ class1/ class2/ val/ class1/ class2/ 只做评估的话只需要val/验证集即可。 单 GPU 一行命令评估 ImageNet 准确率这是本文的核心操作。进入项目根目录后执行python main.py --eval --model LeViT_256 --data-path /path/to/imagenet参数含义很简单--eval只评估不训练对应 main.py 中args.eval分支直接调用 engine.py 里的evaluate()函数--model模型规格可选LeViT_128S / LeViT_128 / LeViT_192 / LeViT_256 / LeViT_384模型定义见 levit_c.py--data-path你的 ImageNet 数据目录评估完成后你会看到类似这样的输出* Acc1 81.636 Acc5 95.424 loss 0.750这与官方公布的 LeViT-256 精度81.6 / 95.4基本一致说明模型与部署环境都工作正常 ✅。 如何挑选适合你的 LeViT 模型场景推荐模型理由移动端 / 极致低延迟LeViT-128S仅 7.8M 参数305M FLOPs通用分类任务推荐起步LeViT-256精度/速度最佳平衡点追求最高精度LeViT-384Top-1 达 82.6%把命令中的--model换成对应规格即可例如评估轻量版python main.py --eval --model LeViT_128S --data-path /path/to/imagenet️ 进阶从评估走向训练验证完推理效果后如果你想用自己的数据微调或从头训练项目同样内置了完整训练流程基于 engine.py、losses.py 的知识蒸馏损失python -m torch.distributed.launch --nproc_per_node8 --use_env \ main.py --model LeViT_256 --data-path /path/to/imagenet \ --output_dir /path/to/save多节点训练则可以通过 run_with_submitit.py 提交 Slurm 作业。✨ 小结LeViT 用卷积做下采样、注意力做特征交互是兼顾速度与精度的图像分类利器单 GPU 一行python main.py --eval即可在 ImageNet 上验证 81.6% Top-1 的预训练精度按需切换LeViT_128S ~ LeViT_384五个规格覆盖从移动端到高精度服务器场景现在你可以把 LeViT 快速部署到自己的图像分类业务中了 【免费下载链接】LeViTLeViT a Vision Transformer in ConvNets Clothing for Faster Inference项目地址: https://gitcode.com/gh_mirrors/le/LeViT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LeViT 推理实战教程：如何用单GPU一行命令快速评估 ImageNet 图像分类准确率
LeViT 推理实战教程如何用单GPU一行命令快速评估 ImageNet 图像分类准确率【免费下载链接】LeViTLeViT a Vision Transformer in ConvNets Clothing for Faster Inference项目地址: https://gitcode.com/gh_mirrors/le/LeViT关键词LeViT 推理、Vision Transformer 图像分类、ImageNet 评估、单 GPU 部署LeViT 是一款穿着卷积外衣的视觉 TransformerVision Transformer由 Meta AI 提出核心目标就是在保持高精度的同时实现更快的图像分类推理。本文带你用最少的步骤在单 GPU 上用一条命令完成 LeViT 预训练模型在 ImageNet 验证集上的准确率评估帮你快速完成部署验证。 为什么选择 LeViT 做图像分类传统 Vision Transformer如 DeiT精度高但推理速度往往跟不上。LeViT 通过卷积下采样 分块注意力的混合结构在速度与精度之间取得了出色的平衡模型Acc1Acc5FLOPs参数量LeViT-128S76.692.9305M7.8MLeViT-12878.694.0406M9.2MLeViT-19280.094.7658M11MLeViT-25681.695.41120M19MLeViT-38482.696.02353M39M在 GPU 上LeViT-256 能以约5000 张图/秒的吞吐达到 81.6% 的 Top-1 精度远超同精度下的 EfficientNet 系列。上图LeViT 家族与 EfficientNet、DeiT 在单 CPU 核与单 GPU 上的 ImageNet Top-1 准确率 vs. 吞吐对比绿色曲线即 LeViT 系列。 环境准备最快配置方法1️⃣ 克隆代码仓库git clone https://gitcode.com/gh_mirrors/le/LeViT cd LeViT2️⃣ 安装依赖需要PyTorch 1.7.0和torchvision 0.8.1以及图像模型库timmconda install -c pytorch pytorch torchvision pip install timm3️⃣ 准备 ImageNet 数据将 ImageNet 2012 解压为标准 ImageFolder 目录结构train/与val/两个子目录每个类别一个文件夹/path/to/imagenet/ train/ class1/ class2/ val/ class1/ class2/ 只做评估的话只需要val/验证集即可。 单 GPU 一行命令评估 ImageNet 准确率这是本文的核心操作。进入项目根目录后执行python main.py --eval --model LeViT_256 --data-path /path/to/imagenet参数含义很简单--eval只评估不训练对应 main.py 中args.eval分支直接调用 engine.py 里的evaluate()函数--model模型规格可选LeViT_128S / LeViT_128 / LeViT_192 / LeViT_256 / LeViT_384模型定义见 levit_c.py--data-path你的 ImageNet 数据目录评估完成后你会看到类似这样的输出* Acc1 81.636 Acc5 95.424 loss 0.750这与官方公布的 LeViT-256 精度81.6 / 95.4基本一致说明模型与部署环境都工作正常 ✅。 如何挑选适合你的 LeViT 模型场景推荐模型理由移动端 / 极致低延迟LeViT-128S仅 7.8M 参数305M FLOPs通用分类任务推荐起步LeViT-256精度/速度最佳平衡点追求最高精度LeViT-384Top-1 达 82.6%把命令中的--model换成对应规格即可例如评估轻量版python main.py --eval --model LeViT_128S --data-path /path/to/imagenet️ 进阶从评估走向训练验证完推理效果后如果你想用自己的数据微调或从头训练项目同样内置了完整训练流程基于 engine.py、losses.py 的知识蒸馏损失python -m torch.distributed.launch --nproc_per_node8 --use_env \ main.py --model LeViT_256 --data-path /path/to/imagenet \ --output_dir /path/to/save多节点训练则可以通过 run_with_submitit.py 提交 Slurm 作业。✨ 小结LeViT 用卷积做下采样、注意力做特征交互是兼顾速度与精度的图像分类利器单 GPU 一行python main.py --eval即可在 ImageNet 上验证 81.6% Top-1 的预训练精度按需切换LeViT_128S ~ LeViT_384五个规格覆盖从移动端到高精度服务器场景现在你可以把 LeViT 快速部署到自己的图像分类业务中了 【免费下载链接】LeViTLeViT a Vision Transformer in ConvNets Clothing for Faster Inference项目地址: https://gitcode.com/gh_mirrors/le/LeViT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考