res2net50_26w_4s.in1k 图像分类实战：timm.create_model 调用与 Top5 预测详解

【免费下载链接】res2net50_26w_4s.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/res2net50_26w_4s.in1k点击查看免费下载res2net50_26w_4s.in1k是一个在 ImageNet-1k 上预训练的 Res2Net 图像分类模型可通过 timm 库一行代码加载用于图片识别与 Top5 分类预测。本文带你从零开始完成下载模型、timm.create_model调用、数据预处理和 Top5 预测输出的完整流程。一、模型概览res2net50_26w_4s.in1k 是什么Res2Net 是一种多尺度Multi-Scale残差骨干网络它在 ResNet 基础上把每个通道再拆分为多个尺度特征使网络能同时感知局部细节和整体结构因此在分类任务上表现更稳。关键指标数值说明参数量25.7 M轻量级适合 CPU/GPU 快速推理计算量4.3 GMACs推理开销低输入尺寸224 × 224标准 ImageNet 输入分类数1000 类ImageNet-1k 全类别预训练数据ImageNet-1k论文作者官方权重模型命名解读res2net50_26w_4s表示 50 层结构的 Res2Net每个残差块按26w_4s的比例把通道划分为 4 个尺度.in1k后缀表示该权重在 ImageNet 1000 类数据集上训练得到。 模型卡与完整用法说明见 README.md架构参数见 config.json。二、下载模型权重Git LFS 说明如果希望本地保留权重文件可以 clone 仓库需安装 Git LFS否则下载到的是指针文件git lfs install git clone https://gitcode.com/hf_mirrors/timm/res2net50_26w_4s.in1k仓库内两个权重文件互为等价格式model.safetensorssafetensors 格式权重约 98 MB加载更安全、更快pytorch_model.bin传统 PyTorch pickle 格式权重config.json模型架构与预处理配置架构名、输入尺寸、mean/std 等 实际上你不需要手动下载在 timm 中指定pretrainedTrue时权重会自动缓存到本地。三、最快上手timm.create_model 一行调用1. 安装依赖pip install timm torch pillow2. 创建模型import timm # 一行代码创建模型pretrainedTrue 自动下载 in1k 预训练权重 model timm.create_model(res2net50_26w_4s.in1k, pretrainedTrue) model model.eval() # 切换到推理模式timm.create_model的核心参数说明参数示例值作用pretrainedTrue加载 ImageNet-1k 预训练权重num_classes0移除分类头只输出特征向量features_onlyTrue只提取各阶段特征图3. 自动获取数据预处理管线每个模型有自己训练时的归一化参数。不要手写mean/std让 timm 自动解析data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse)对于 res2net50_26w_4s.in1k该管线会自动完成中心裁剪 87.5% → 缩放到 224×224 → 按 ImageNet 均值/标准差归一化。这些参数mean[0.485, 0.456, 0.406]、std[0.229, 0.224, 0.225]、crop_pct0.875都来自 config.json 中的pretrained_cfg字段。四、Top5 预测详解从图片到概率分数下面是对一张图片做 Top5 分类预测的完整流程import torch from PIL import Image img Image.open(cat.jpg).convert(RGB) output model(transforms(img).unsqueeze(0)) # 单图补 batch 维 top5_prob, top5_idx torch.topk(output.softmax(dim1) * 100, k5) print(top5_prob) print([model.decode_classes(i) for i in top5_idx])逐步拆解unsqueeze(0)模型输入要求形状为(batch, 3, H, W)单张图片需要补一个 batch 维度softmax(dim1)模型输出的是 1000 维 logits未归一化分数经 softmax 后每类和为 1可解释为属于该类别的概率torch.topk(..., k5)取出概率最高的 5 个类别返回(top5_probabilities, top5_class_indices)两个张量decode_classes可选把类别索引翻译成 ImageNet 类别名称如n02123045 (golden retriever)。⚠️ 注意model.decode_classes()需要 timm 已缓存imagenet.py类别表pip install timm自带如果你只做自定义分类微调索引对应的是你自己的类别表。五、进阶用法速览提取特征图用于分割、检测骨干model timm.create_model(res2net50_26w_4s.in1k, pretrainedTrue, features_onlyTrue)输出 5 组逐级降采样特征图形状依次为[1,64,112,112]→[1,256,56,56]→[1,512,28,28]→[1,1024,14,14]→[1,2048,7,7]。提取图像向量用于检索、聚类model timm.create_model(res2net50_26w_4s.in1k, pretrainedTrue, num_classes0) embedding model(transforms(img).unsqueeze(0)) # 输出 2048 维向量num_classes0会移除fc分类层直接输出 2048 维全局特征向量可用于相似图片检索等下游任务。六、常见问题 FAQQ1为什么输入必须是 224×224config.json中input_size为[3, 224, 224]。虽然fixed_input_sizefalse允许其他尺寸用双线性插值池化但尺寸偏离越大精度损失越明显建议保持 224×224。Q2pretrainedTrue会重复下载权重吗不会。timm 会将权重缓存到~/.cache/torch/hub第二次调用直接走本地缓存。Q3.in1k后缀还能换成别的吗timm 中同一架构可能提供advprop对抗鲁棒版等变体后缀对于 res2net50_26w_4s 系列.in1k是官方推荐的主力权重其他变体可用timm.list_models(*res2net*)查看。Q4CPU 上推理慢怎么办该模型仅 25.7M 参数、4.3 GMACs本身很轻。可将输入缩到 224×224 以下或使用torch.no_grad()包裹推理model.eval() 无梯度上下文以避免不必要的计算图构建。七、文件清单与延伸阅读文件说明README.md模型卡模型信息、三种用法示例分类/特征/向量、论文引用config.json架构名、1000 类、2048 维特征、归一化参数等配置model.safetensorssafetensors 权重Git LFS 管理pytorch_model.binPyTorch 权重Git LFS 管理 小结timm.create_model(res2net50_26w_4s.in1k, pretrainedTrue)create_transform自动预处理 softmax → topk三步就能完成一个工业级 ImageNet 图像分类与 Top5 预测流水线。接下来你可以尝试把分类头替换为自己的类别数在少量数据上微调出专用分类器。赞分享【免费下载链接】res2net50_26w_4s.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/res2net50_26w_4s.in1k点击查看免费下载相关推荐efficientnet_em.ra2_in1k 图像分类实战教程Top5预测与数据预处理完整演示efficientnet_em.ra2_in1k 图像分类实战教程Top5预测与数据预处理完整演示 efficientnet_em.ra2_in1k 是 ti从加载图片到TOP5预测tf_efficientnetv2_b3.in21k_ft_in1k图像分类实战教程附完整代码从加载图片到TOP5预测tf_efficientnetv2_b3.in21k_ft_in1k图像分类实战教程附完整代码 本教程带你使用 timm 中的预训人工智能计算机视觉Habitat-Lab 快速上手从安装到训练具身 AI 智能体的 5 条主线Habitat Lab 快速上手从安装到训练具身 AI 智能体的 5 条主线 Habitat Lab 是 Meta 开源的模块化具身 AI 库基于 Habi人工智能具身智能强化学习上一篇从TOML到LuaPebrel Lua配置系统完全教程含热重载与校验实战下一篇ng-zorro-antd TreeView 树视图组件完全指南从数据源接入到虚拟滚动的源码级实践创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考