A ConvNet for the 2020s

ConvNeXt的官方PyTorch实现，来自以下论文。

A ConvNet for the 2020s. arXiv 2022.
Liu Zhuang,Hanzi Mao,Chao-Yuan Wu,Christoph Feichtenhofer,Trevor DarrellandSaining Xie
Facebook AI Research, UC Berkeley

---

我们提出ConvNeXt，一个完全由标准ConvNet模块构建的纯ConvNet模型。ConvNeXt准确、高效、可扩展且设计非常简单。

目录

• ImageNet-1K 训练代码
• ImageNet-22K预训练代码
• ImageNet-1K微调代码
• 下游传输（检测、分割）代码

结果和预训练模型

ImageNet-1K的训练模型

名称	分辨率	acc@1	#params	FLOPs	模型
ConvNeXt-T	224x224	82.1	28M	4.5G	模型
ConvNeXt-S	224x224	83.1	50M	8.7G	模型
ConvNeXt-B	224x224	83.8	89M	15.4G	模型
ConvNeXt-B	384x384	85.1	89M	45.0G	模型
ConvNeXt-L	224x224	84.3	198M	34.4G	模型
ConvNeXt-L	384x384	85.5	198M	101.0G	模型

ImageNet-22K的训练模型

名称	分辨率	acc@1	#params	FLOPs	22k模型	1k模型
ConvNeXt-B	224x224	85.8	89M	15.4G	模型	模型
ConvNeXt-B	384x384	86.8	89M	47.0G	-	模型
ConvNeXt-L	224x224	86.6	198M	34.4G	模型	模型
ConvNeXt-L	384x384	87.5	198M	101.0G	-	模型
ConvNeXt-XL	224x224	87.0	350M	60.9G	模型	模型
ConvNeXt-XL	384x384	87.8	350M	179.0G	-	模型

ImageNet-1K的训练模型（各向同性）。

名称	分辨率	acc@1	#params	FLOPs	模型
ConvNeXt-S	224x224	78.7	22M	4.3G	模式
ConvNeXt-B	224x224	82.0	87M	16.9G	模型
ConvNeXt-L	224x224	82.6	306M	59.7G	模型

安装

请查看INSTALL.md的安装说明。

评估

我们给出了一个ImageNet-22K预训练，然后ImageNet-1K微调的ConvNeXt-B的评估命令示例。

单GPU

python main.py --model convnext_base --eval true \
--resume https://dl.fbaipublicfiles.com/convnext/convnext_base_22k_1k_224.pth \
--input_size 224 --drop_path 0.2 \
--data_path /path/to/imagenet-1k

多GPU

python -m torch.distributed.launch --nproc_per_node=8 main.py \
--model convnext_base --eval true \
--resume https://dl.fbaipublicfiles.com/convnext/convnext_base_22k_1k_224.pth \
--input_size 224 --drop_path 0.2 \
--data_path /path/to/imagenet-1k

这应该可以得到

* Acc@1 85.820 Acc@5 97.868 loss 0.563

• 对于评估其他模型的变体，请相应地改变--model,--resume,--input_size 。你可以从上面的表格中获得预训练模型的网址。
• 设置特定于模型的--drop_path 在评估中不是严格要求的，因为 timm 中的DropPath 模块在评估中的行为是一样的；但在训练中是需要的。参见TRAINING.md或我们的论文，以了解不同模型使用的值。

训练

参见TRAINING.md以了解训练和微调说明。

鸣谢

这个资源库是使用timm库、DeiT和BEiT资源库建立的。

许可

本项目是在MIT许可下发布的。请参阅LICENSE文件以了解更多信息。

引用

如果你觉得这个资源库有帮助，请考虑引用。

@Article{liu2021convnet,
  author  = {Zhuang Liu and Hanzi Mao and Chao-Yuan Wu and Christoph Feichtenhofer and Trevor Darrell and Saining Xie},
  title   = {A ConvNet for the 2020s},
  journal = {arXiv preprint arXiv:2201.03545},
  year    = {2022},
}