【免费下载链接】tf_efficientnet_b3.ap_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_efficientnet_b3.ap_in1k点击查看免费下载tf_efficientnet_b3.ap_in1k是来自 timm 库、基于 ImageNet-1k 对抗训练AdvProp预训练的高效特征提取模型。只需一个参数features_onlyTrue它就能直接输出5 层多尺度特征图24~384 通道可直接作为图像分割、目标检测任务的通用 Backbone无需修改网络结构。 它是什么模型tf_efficientnet_b3.ap_in1k 是 EfficientNet-B3 的 PyTorch 移植版本原始权重由论文作者使用 TensorFlow 在 ImageNet-1k 上通过对抗训练AdvProp获得再移植为 PyTorch 供 timm 使用。核心参数一览属性数值说明参数量12.2 M轻量级显存友好计算量1.9 GMACs推理速度快输入尺寸300 × 300推荐输入分辨率预训练任务ImageNet-1k 分类1000 类对抗样本增强训练框架PyTorchtimm 生态模型规格详见 README.md 与 config.json。⚡ 5 层多尺度特征一图看懂将模型切换为特征提取模式后前向输出是一个包含 5 个特征图的列表以 300×300 输入为例# 输出示例来自 README 官方示例 torch.Size([1, 24, 150, 150]) # 第1层 torch.Size([1, 32, 75, 75]) # 第2层 torch.Size([1, 48, 38, 38]) # 第3层 torch.Size([1, 136, 19, 19]) # 第4层 torch.Size([1, 384, 10, 10]) # 第5层特征层通道数空间尺寸近似步长典型用途C124150×1502高分辨率细节、边缘信息C23275×754中小目标、浅层纹理C34838×388FPN 常用起点C413619×1916中目标、语义信息C538410×1032强语义、全局上下文这套步长 2 / 4 / 8 / 16 / 32的金字塔结构恰好就是 FPNFeature Pyramid Network所需的多尺度输入因此 Mask R-CNN、DETR 的 backbone、U-Net 分割网络等都能直接接上几乎零适配成本。 三步提取特征图import timm model timm.create_model( tf_efficientnet_b3.ap_in1k, pretrainedTrue, features_onlyTrue, # 关键只输出特征图去掉分类头 ) model model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) features model(transforms(img).unsqueeze(0)) # 得到 5 层特征图完整可运行示例见 README.md 的 Feature Map Extraction 小节。 另外两种常见用法1. 图像分类不加参数直接创建模型输出 1000 类概率。2. 图像向量Embedding设置num_classes0去掉分类层或者分两步走——先model.forward_features(x)得到未池化的 (1, 1536, 10, 10) 张量再model.forward_head(..., pre_logitsTrue)得到最终特征向量适合做图像检索与聚类。模型在 config.json 中记录了num_features: 1536、输入尺寸、归一化参数等元信息可用于校验加载的权重。 仓库里都有什么文件说明README.md模型卡片用法示例、模型参数、论文引用config.jsontimm 权重配置架构名、预训练 tagap_in1k、归一化参数configuration.json框架与任务声明pytorch / image-classificationmodel.safetensorsPyTorch 权重safetensors 格式pytorch_model.binPyTorch 权重pickle 格式权重文件通过 Git LFS 管理规则见 .gitattributes克隆后需要拉取 LFS 文件才能拿到完整模型。⚙️ 常用参数速查表参数作用pretrainedTrue加载 AdvProp 预训练权重features_onlyTrue输出 5 层多尺度特征图本指南重点num_classes0移除分类头输出特征向量forward_features()获取未池化主干输出 (1, 1536, 10, 10)forward_head()对主干输出做池化 分类头前处理 实战小贴士输入尺寸推荐 300×300分类验证时中心裁剪比例crop_pct: 0.904归一化均值/方差均为 0.5这些参数 config.json 已内置用timm.data.create_transform会自动处理。搭配 FPN建议取 C3~C548/136/384 通道做分割或检测主干C1/C2 仅在需要极高分辨率细节时使用。鲁棒性AdvProp 对抗训练使模型对噪声和对抗扰动更鲁棒在低质量图像压缩图、弱光照上通常比常规权重更稳定。轻量化部署12.2M 参数量 1.9 GMACs 的规模使其在手机端实时分割/检测场景中也是理想选择。一句话总结tf_efficientnet_b3.ap_in1k用一行features_onlyTrue即可解锁 5 层多尺度特征是分割与检测任务中性价比极高的现成 Backbone。赞分享【免费下载链接】tf_efficientnet_b3.ap_in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_efficientnet_b3.ap_in1k点击查看免费下载相关推荐tf_efficientnet_b1.ap_in1k 特征图提取指南5 层多尺度 Feature Map 如何变身目标检测骨干网络tf_efficientnet_b1.ap_in1k 特征图提取指南5 层多尺度 Feature Map 如何变身目标检测骨干网络 tf_efficientn特征提取实战如何把 tiny_vit_21m_224.dist_in22k 当Backbone提取4级多尺度特征图特征提取实战如何把 tiny_vit_21m_224.dist_in22k 当Backbone提取4级多尺度特征图 tiny_vit_21m_224.dis把mobilenetv4_conv_medium.e500_r224_in1k当特征 Backbone 用features_only生成5级多尺度特征图的完整指南把mobilenetv4_conv_medium.e500_r224_in1k当特征 Backbone 用features_only生成5级多尺度特征图的完整人工智能计算机视觉上一篇PyJWT高级特性自定义头部、分离负载等终极指南下一篇FeHelper图像处理工具详解二维码生成、截图、SVG转换等7大功能创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
