【免费下载链接】efficientnet_b5.sw_in12k_ft_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/efficientnet_b5.sw_in12k_ft_in1k点击查看免费下载efficientnet_b5.sw_in12k_ft_in1k特征图提取是构建目标检测与图像分割任务特征 backbone 的理想选择。这个模型在 ImageNet-12k 上预训练、再在 ImageNet-1k 上微调只需用 timm 打开一个features_onlyTrue开关就能一次性拿到5 组多尺度特征图直接接上 FPN、Mask R-CNN、U-Net 等架构即可开工 一、为什么选 efficientnet_b5.sw_in12k_ft_in1k 做 backbone相比常见的 ResNet 系列sw_in12k_ft_in1k版 EfficientNet-B5 有三个突出优势预训练数据更大先在 12000 类的 ImageNet-12k 上预训练再在 1000 类的 ImageNet-1k 上微调特征泛化能力更强训练配方更先进采用 AdamW 梯度裁剪 EMA 权重平均 带 warmup 的余弦学习率Swin Transformer 风格配方收敛质量更高多尺度特征天然齐全EfficientNet 的 stage 结构自带 1/2/4/8/16/32 倍下采样通道提取出的特征图层次分明天生适合做特征金字塔模型核心指标一览数据来自 README.md指标数值参数量30.4 M计算量9.6 GMACs推荐输入448 × 448预训练数据集ImageNet-12k → ImageNet-1k开源协议Apache-2.0二、仓库文件速览与快速上手仓库结构非常精简5 个文件各司其职文件作用README.md模型卡Model Card包含分类、特征图提取、向量提取的完整示例config.jsontimm 架构配置input_size、归一化mean/std、pool_size等关键超参configuration.json框架与任务元信息PyTorch / image-classificationmodel.safetensors安全格式safetensors权重文件pytorch_model.bin传统 bin 格式权重文件安装与获取模型两步即可pip install timmgit clone https://gitcode.com/hf_mirrors/timm/efficientnet_b5.sw_in12k_ft_in1ktimm 已内置该模型名联网环境下pretrainedTrue会自动下载权重clone 下来的仓库则适合离线加载本地权重文件。三、一行开关提取 5 组多尺度特征图核心步骤整个教程的核心只有一处改动——在timm.create_model中加上features_onlyTrueimport timm model timm.create_model( efficientnet_b5.sw_in12k_ft_in1k, pretrainedTrue, features_onlyTrue, # 关键只保留特征提取骨干 ) model model.eval() output model(x) # x: [1, 3, 448, 448] 已归一化的输入 for o in output: print(o.shape)运行后依次打印 5 组特征图形状torch.Size([1, 24, 224, 224])torch.Size([1, 40, 112, 112])torch.Size([1, 64, 56, 56])torch.Size([1, 176, 28, 28])torch.Size([1, 512, 14, 14]) 小提示输入数据建议用timm.data.resolve_model_data_config(model)create_transform自动生成归一化与缩放config.json 中已定义mean/std保证与预训练时一致。四、这 5 组特征图如何服务检测与分割每组特征图都对应一个空间分辨率与语义层次正好匹配下游任务的不同需求特征图尺寸通道数下采样倍数典型用途224 × 224242×浅层细节小目标检测、边缘信息112 × 112404×中小目标检测头56 × 56648×中尺度检测、FPN 主干层28 × 2817616×大目标检测、语义分割主力层14 × 1451232×强语义特征、分类头、全局 embedding目标检测把 5 组输出直接当作 FPN 的输入或挑选 56/56、28/28 两组接 RPN 与分类回归头浅层保细节、深层保语义兼顾小目标与遮挡物体。图像分割将整段骨干作为编码器28×28 与 14×14 的输出送分割解码器若做 U-Net 类结构还可把浅层的 224×224、112×112 用作跳跃连接skip connection的补充特征。五、顺手掌握另外 2 种用法除了特征图提取同一个模型还能一键切换图像分类默认配置即输出 1000 类 logits适合验证预训练权重质量图像向量embedding设置num_classes0去掉分类头输出(batch, 2048)的向量可用于检索与聚类等价做法是model.forward_features()拿到未池化的(1, 2048, 14, 14)再经model.forward_head(..., pre_logitsTrue)得到向量更多可运行的完整示例见 README.md 的 Model Usage 章节。六、常见细节与 FAQ输入必须 448×448 吗权重按 448×448 预训练[config.json](https://link.gitcode.com/i/591506fb12c8bb0d96647a74c861a294)中fixed_input_size为false允许其他尺寸但 448 下精度最佳两个权重文件什么区别model.safetensors是新版安全格式加载更快、防恶意构造pytorch_model.bin是传统格式内容等价按需二选一显存够吗30.4M 参数属于中等规模但 448×448 输入对显存有一定要求训练时可配合混合精度或适当降低 batch size特征图为什么只有 5 组对应 EfficientNet-B5 的 5 个 stage 输出与 README.md 中示例打印结果完全一致七、总结efficientnet_b5.sw_in12k_ft_in1k用ImageNet-12k 预训练 先进训练配方换来了更强的通用特征能力再借助 timm 的features_onlyTrue一行开关即可稳定产出 5 组多尺度特征图——这正是目标检测 FPN 与图像分割解码器最需要的 backbone 形态。把它接入你的检测或分割管线就能少做大量数据工程、直接起飞 ✨赞分享【免费下载链接】efficientnet_b5.sw_in12k_ft_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/efficientnet_b5.sw_in12k_ft_in1k点击查看免费下载相关推荐tf_efficientnet_b3.ap_in1k特征图提取指南输出5层多尺度特征打造分割与检测的万能Backbonetf_efficientnet_b3.ap_in1k特征图提取指南输出5层多尺度特征打造分割与检测的万能Backbone tf_efficientnet_b特征图提取实战用convformer_s18.sail_in22k_ft_in1k为分割与检测任务构建轻量backbone特征图提取实战用convformer_s18.sail_in22k_ft_in1k为分割与检测任务构建轻量backbone convformer_s18把convnext_large_mlp.clip_laion2b_augreg_ft_in1k当特征骨干面向目标检测与图像分割的特征图提取实战指南把convnext_large_mlp.clip_laion2b_augreg_ft_in1k当特征骨干面向目标检测与图像分割的特征图提取实战指南 convn上一篇推荐开源项目Wookmark打造灵活的动态网格布局下一篇Logseq跨设备同步如何配置3种方案从桌面到手机手把手走通创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考