【免费下载链接】regnety_120.pycls_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/regnety_120.pycls_in1k点击查看免费下载regnety_120.pycls_in1k是一个基于RegNetY-12GF架构的图像分类模型由论文作者在ImageNet-1k上预训练并被广泛收录于timmPyTorch Image Models生态。它仅用51.8M 参数和12.1 GMACs的算力预算在 ImageNet-1k 上取得Top-1 80.37% / Top-5 95.12%的成绩是轻量级高性能 CNN的典型代表非常适合在精度与速度之间寻找平衡的落地场景。本文将从模型规格、性能表现、仓库文件结构和快速上手四个维度带你完整读懂这个模型。 仓库文件一览4 个文件分别是什么这个仓库是标准的 HuggingFace 风格模型仓库文件非常精简文件说明README.md模型卡片Model Card模型规格、训练数据来源、使用示例、全系列模型对比表config.json模型配置架构名、分类类别数、输入尺寸、归一化参数、首层/分类头位置model.safetensors推荐使用的权重文件safetensors 格式约 198MBfloat32pytorch_model.bin传统 PyTorch 权重文件与 safetensors 内容等价 两份权重文件目前以 Git LFS 指针形式存储各约 207MB完整下载后即为一套可用的 ImageNet-1k 预训练权重许可证为MIT可自由商用。config.json 中几个关键配置值得新手注意architecture: regnety_120—— 对应 RegNetY-12GF12GF 指 FLOPs 预算档位num_classes: 1000—— 直接面向 ImageNet-1k 的 1000 类分类input_size: [3, 224, 224]—— 推荐输入为 224×224 的三通道图像mean/std—— ImageNet 标准归一化参数0.485/0.456/0.4060.229/0.224/0.225first_conv: stem.conv、classifier: head.fc—— 标记了卷积首层和分类头方便做迁移学习替换 模型规格深度解读51.8M 参数与 12.1 GMACs根据 README.md 中的模型统计Model Stats核心规格如下指标数值新手怎么理解参数量 Params51.8 M权重约 200MBfloat32显存/内存开销友好算力 GMACs12.1 G224×224 输入下单次前向约 121 亿次乘加推理速度很快激活量 Activations21.4 M中间特征图规模适中训练显存需求可控输入尺寸224 × 224无需 320/384 大分辨率预处理成本低12.1 GMACs 是什么概念作为直观参照同系列的 regnety_160 约 15.96 GMACsregnety_320 约 32.34 GMACs——regnety_120 处于整个 RegNetY 家族中段的性价比甜蜜点比轻量档regnety_032/040/064精度高 3~5 个百分点又只有大型号regnety_320/640/1280几十分之一的算力开销。RegNetY 与 RegNetX 的区别新手常问RegNetY 使用瓶颈结构Bottleneck含 1×1 卷积降维/升维在同等 FLOPs 预算下精度更高RegNetX 则是无瓶颈的简单结构参数更少但精度略低。对比表中的 regnetx_120.pycls_in1k 只有 46.11M 参数、算力几乎相同但 Top-1 低了近 0.8 个百分点——这正是选 Y 系列的原因。 ImageNet-1k 性能解读Top-1 80.37% 处于什么水平README.md 内附了一张覆盖几十款 RegNet 模型的全系对比表以下是pycls_in1k官方权重系列224×224 输入中的同量级模型可以直观看出 regnety_120 的定位模型Top-1 (%)Top-5 (%)参数量 (M)GMACsregnety_080.pycls_in1k79.8894.8339.188.00regnety_120.pycls_in1k80.3795.1251.8212.14regnetx_120.pycls_in1k79.5994.7446.1112.13regnety_160.pycls_in1k80.2994.9683.5915.96三个值得注意的结论比更大一号的 regnety_160 还略强——regnety_120 用 62% 的参数和 76% 的算力超过了参数多近 62% 的 regnety_160.pycls_in1k说明 12GF 档位的算力利用非常充分同算力下明显优于 RegNetXregnetx_120验证了瓶颈结构的收益与timm自行训练的增强版对比regnety_120.sw_in12k_ft_in1k在 ImageNet-12k 预训练 SwSL 微调同样 51.82M 参数Top-1 可达 84.98%。如果你的数据量较大可优先考虑增强版权重而pycls_in1k 版本胜在来源官方、结构朴素、便于复现。 快速上手用 timm 加载 regnety_120.pycls_in1k得益于timm的统一接口加载该模型只需三行核心代码完整版见 README.mdimport timm model timm.create_model(regnety_120.pycls_in1k, pretrainedTrue) data_config timm.data.resolve_model_data_config(model) # 自动获取归一化/resize 配置除了直接分类该模型还有两种常见用法README.md 均有示例特征图提取设置features_onlyTrue可输出 112→56→28→14→7 五层逐步下采样的特征金字塔可直接接入检测/分割等下游网络图像嵌入Embeddings设置num_classes0去掉分类头得到 2240 维特征向量可用于以图搜图、聚类、检索。 选型建议什么场景适合 regnety_120.pycls_in1k✅CPU / 边缘设备推理12.1 GMACs 的算力预算在 CPU 上也能获得可观吞吐224 输入省去大分辨率预处理✅迁移学习基座51.8M 参数的小模型微调成本低classifier: head.fc的清晰结构让替换分类头非常方便✅多模态 / 检索系统的视觉编码2240 维 embedding 轻量且质量够用⚠️追求极限精度时若 GPU 算力充足可上探 regnety_160 / 320 的增强版Top-1 85%或改用 ViT 类模型。❓ 常见问题Qpycls_in1k 这个标签是什么意思A表示权重由 Facebookpycls论文作者团队训练并预训练于 ImageNet-1k1000 类timm仓库将其转换为统一接口后发布。Qmodel.safetensors 和 pytorch_model.bin 选哪个A内容等价建议优先用 model.safetensors——加载更安全、内存占用更低老版本timm/transformers可能只支持 pytorch_model.bin。Q为什么配置里写的是 num_features: 2240A这是去掉分类头后的特征向量维度7×7 全局池化后拼接得到也是做 embedding 时的输出维度。 总结维度regnety_120.pycls_in1k架构RegNetY-12GF瓶颈结构参数 / 算力51.8M / 12.1 GMACsImageNet-1k 精度Top-1 80.37% / Top-5 95.12%输入 / 许可证224×224 / MIT一句话定位轻量 CNN 中的精度效率王推理快、微调省、可商用如果你需要在有限算力下快速搭建一个高精度图像分类基座regnety_120.pycls_in1k 是一个几乎不需要犹豫的选择。赞分享【免费下载链接】regnety_120.pycls_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/regnety_120.pycls_in1k点击查看免费下载相关推荐一文读懂 internimage_b_1k_22497M 参数视觉模型为何能在 ImageNet-1K 拿下 84.9%一文读懂 internimage_b_1k_22497M 参数视觉模型为何能在 ImageNet 1K 拿下 84.9% internimage_b_1k_focalnet_tiny_srf.ms_in1k深度评测28.4M参数挑战ImageNet-1k的分类表现focalnet_tiny_srf.ms_in1k深度评测28.4M参数挑战ImageNet 1k的分类表现 focalnet_tiny_srf.ms_in1读懂config.jsonregnety_120.pycls_in1k的预处理参数全解析center crop 87.5%、bicubic插值与ImageNet归一化读懂config.jsonregnety_120.pycls_in1k的预处理参数全解析center crop 87.5%、bicubic插值与ImageN上一篇TranslationPlugin高级过滤功能精确控制翻译内容的技巧下一篇3分钟打造专属游戏中枢Playnite工具栏定制全攻略创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考