为什么edgenext_x_small.in1k是移动视觉首选？0.5 GMACs低算力模型性能评测

为什么edgenext_x_small.in1k是移动视觉首选？0.5 GMACs低算力模型性能评测

【免费下载链接】edgenext_x_small.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/edgenext_x_small.in1k

edgenext_x_small.in1k是一款基于EdgeNeXt架构的高效图像分类模型，专为移动视觉应用设计。它以仅0.5 GMACs的计算量和2.3M参数实现了出色的性能平衡，成为低算力设备上视觉任务的理想选择。

模型核心优势解析 🚀

极致轻量化设计

该模型通过创新的CNN-Transformer混合架构，将参数量控制在2.3M，计算量仅0.5 GMACs，同时保持5.9M的激活值规模。这种高效设计使模型能够在手机、嵌入式设备等资源受限平台上流畅运行。

训练与推理优化

• 输入规格：训练时采用256×256分辨率，测试时提升至288×288以获取更精准结果
• 数据处理：使用ImageNet-1k标准均值（[0.485, 0.456, 0.406]）和标准差（[0.229, 0.224, 0.225]）进行归一化
• 池化策略：采用8×8平均池化（global_pool: "avg"），有效提取全局特征

三大核心应用场景

图像分类任务

通过简单几行代码即可实现高精度图像分类：

import timm from PIL import Image model = timm.create_model('edgenext_x_small.in1k', pretrained=True) model.eval() # 获取模型特定的预处理变换 data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False)

支持对输入图像进行分类并返回Top5概率结果，适用于物体识别、场景分类等基础视觉任务。

特征地图提取

模型可输出多层特征地图，满足不同层级的视觉特征需求：

model = timm.create_model('edgenext_x_small.in1k', pretrained=True, features_only=True) output = model(transforms(img).unsqueeze(0)) # 输出特征地图形状示例： # torch.Size([1, 32, 64, 64]) # torch.Size([1, 64, 32, 32])

这些特征地图可用于目标检测、语义分割等高级视觉任务的特征提取。

图像嵌入生成

生成固定维度的图像嵌入向量，适用于图像检索、相似度计算等任务：

model = timm.create_model('edgenext_x_small.in1k', pretrained=True, num_classes=0) output = model(transforms(img).unsqueeze(0)) # 输出形状为 (batch_size, num_features)

其中num_features为192，可直接用于后续的向量计算和比对。

快速开始指南

模型获取

git clone https://gitcode.com/hf_mirrors/timm/edgenext_x_small.in1k

关键文件说明

• 模型权重：pytorch_model.bin（PyTorch格式）和model.safetensors（安全张量格式）
• 配置文件：config.json包含模型架构和预处理参数
• 技术文档：README.md提供完整的使用示例和模型细节

学术引用

如果您在研究中使用了该模型，请引用原论文：

@inproceedings{Maaz2022EdgeNeXt, title={EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications}, author={Muhammad Maaz and Abdelrahman Shaker and Hisham Cholakkal and Salman Khan and Syed Waqas Zamir and Rao Muhammad Anwer and Fahad Shahbaz Khan}, booktitle={International Workshop on Computational Aspects of Deep Learning at 17th European Conference on Computer Vision (CADL2022)}, year={2022}, organization={Springer} }

edgenext_x_small.in1k凭借其高效的架构设计和优异的性能表现，为移动视觉应用提供了强大而经济的解决方案。无论是在资源受限的嵌入式设备还是在对性能有要求的移动应用中，它都能成为开发者的得力助手。

【免费下载链接】edgenext_x_small.in1k项目地址: https://ai.gitcode.com/hf_mirrors/timm/edgenext_x_small.in1k