Res2Net

论文《Res2Net：一种新的多尺度骨干网络架构》的官方 PyTorch 实现（论文链接：https://arxiv.org/pdf/1904.01169.pdf）

我们的论文已被 IEEE 模式分析与机器智能汇刊 (TPAMI) 接收。

更新

• 2020年10月20日：PaddlePaddle 版本的 Res2Net 在 ImageNet 数据集上取得了 85.13% 的 Top-1 准确率：PaddlePaddle Res2Net。
• 2020年8月21日：基于 Res2Net 的目标检测和分割在线演示发布：http://mc.nankai.edu.cn/res2net-det
• 2020年7月29日：Res2Net 在 ImageNet 上的训练代码已公开：https://github.com/Res2Net/Res2Net-ImageNet-Training（仅限非商业用途）。
• 2020年6月1日：Res2Net 已被纳入新的深度学习框架 Jittor 的官方模型库：https://github.com/Jittor/jittor。
• 2020年5月21日：Res2Net 现已成为 MMDetection v2 框架中的基础骨干网络之一：https://github.com/open-mmlab/mmdetection。使用 MMDetection v2 结合 Res2Net 可以在降低计算成本的同时获得更好的性能。
• 2020年5月11日：基于 detectron2 的全景分割任务中，Res2Net 在不使用任何技巧的情况下实现了约 2% 的性能提升。相关代码已公开：https://github.com/Res2Net/Res2Net-detectron2。
• 2020年2月24日：我们的 Res2Net_v1b 在 mmdetection 上相比现有骨干网络模型取得了显著的性能提升。 相关代码已公开：https://github.com/Res2Net/mmdetection。我们方法与此前表现最佳的 HRNet 之间的详细对比可参见：https://github.com/Res2Net/mmdetection/tree/master/configs/res2net。
• 2020年2月21日：Res2Net_v1b 的预训练模型已在 ImageNet Top-1 准确率上比原始版本提升了超过 2%，并且在迁移至目标检测、语义分割等其他任务时表现出更优异的性能。

简介

我们提出了一种新颖的 CNN 基础模块——Res2Net，通过在一个残差块内部构建层次化的类似残差的连接来实现。Res2Net 能够以细粒度表示多尺度特征，并扩大每一层网络的感受野范围。该模块可以无缝集成到当前最先进的骨干网络模型中，例如 ResNet、ResNeXt、BigLittleNet 和 DLA。我们在这些模型上对 Res2Net 进行了全面评估，结果表明其性能始终优于基线模型。

Res2Net 模块

使用方法

需求

PyTorch>=0.4.1

示例

git clone https://github.com/gasvn/Res2Net.git

from res2net import res2net50
model = res2net50(pretrained=True)

输入图像应按以下方式归一化：

normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                  std=[0.229, 0.224, 0.225])

（默认情况下，模型会自动下载。如果默认下载链接不可用，请参考“预训练模型”部分列出的下载链接。）

预训练模型

模型	参数量	MACCs	Top-1 错误率	Top-5 错误率	链接
Res2Net-50-48w-2s	25.29M	4.2	22.68	6.47	OneDrive
Res2Net-50-26w-4s	25.70M	4.2	22.01	6.15	OneDrive
Res2Net-50-14w-8s	25.06M	4.2	21.86	6.14	OneDrive
Res2Net-50-26w-6s	37.05M	6.3	21.42	5.87	OneDrive
Res2Net-50-26w-8s	48.40M	8.3	20.80	5.63	OneDrive
Res2Net-101-26w-4s	45.21M	8.1	20.81	5.57	OneDrive
Res2NeXt-50	24.67M	4.2	21.76	6.09	OneDrive
Res2Net-DLA-60	21.15M	4.2	21.53	5.80	OneDrive
Res2NeXt-DLA-60	17.33M	3.6	21.55	5.86	OneDrive
Res2Net-v1b-50	25.72M	4.5	19.73	4.96	链接
Res2Net-v1b-101	45.23M	8.3	18.77	4.64	链接
Res2Net-v1d-200-SSLD	76.21M	15.7	14.87	2.58	PaddlePaddle链接

新闻

• Res2Net_v1b 现已可用。
• 您可以通过设置 pretrained = True 来加载预训练模型。

百度网盘下载链接现已开放。（百度网盘，提取码：vbix）

应用

分类、实例分割、目标检测、语义分割、显著性目标检测、类激活图、CT 扫描中的肿瘤分割等其他应用，请访问 https://mmcheng.net/res2net/ 查看。

引用

如果您在研究中使用了本工作或代码，请引用：

@article{gao2019res2net,
  title={Res2Net: A New Multi-scale Backbone Architecture},
  author={Gao, Shang-Hua and Cheng, Ming-Ming and Zhao, Kai and Zhang, Xin-Yu and Yang, Ming-Hsuan and Torr, Philip},
  journal={IEEE TPAMI},
  year={2021},
  doi={10.1109/TPAMI.2019.2938758}, 
}

联系方式

如有任何问题，请随时通过电子邮件联系我：shgao(at)live.com

许可证

代码根据知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议发布，仅限非商业用途。任何商业用途均需事先获得正式授权。

Res2Net 预训练模型快速上手指南

Res2Net 是一种新型的多尺度骨干网络架构，通过在单个残差块内构建分层残差连接，显著提升了特征表示能力和感受野范围。该模型在图像分类、目标检测和语义分割等任务中表现优异，且已集成到 MMDetection、Detectron2 等主流框架中。

环境准备

• 操作系统：Linux / Windows / macOS
• Python 版本：建议 Python 3.6+
• 深度学习框架：PyTorch >= 0.4.1
• 依赖库：torch, torchvision

可通过以下命令安装基础依赖：

pip install torch torchvision

安装步骤

1. 克隆官方代码仓库：

git clone https://github.com/gasvn/Res2Net.git
cd Res2Net

2. （可选）若默认下载链接不可用，可手动下载预训练模型并放置于合适路径。国内用户推荐使用阿里云或百度网盘镜像：

• 阿里云 OSS 链接（推荐）：

  • Res2Net-v1b-50: https://shanghuagao.oss-cn-beijing.aliyuncs.com/res2net/res2net50_v1b_26w_4s-3cf99910.pth
  • Res2Net-v1b-101: https://shanghuagao.oss-cn-beijing.aliyuncs.com/res2net/res2net101_v1b_26w_4s-0812c246.pth

• 百度网盘链接（提取码：vbix）： https://pan.baidu.com/s/1BP7X222ZPqOndbojwOPjkw

基本使用

以下是最简单的加载预训练模型并进行推理的示例：

from res2net import res2net50
import torch
import torchvision.transforms as transforms
from PIL import Image

# 加载预训练模型（自动下载，若失败请手动指定路径）
model = res2net50(pretrained=True)
model.eval()

# 图像预处理
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    normalize,
])

# 加载并处理图像
image = Image.open("your_image.jpg").convert("RGB")
input_tensor = transform(image).unsqueeze(0)

# 推理
with torch.no_grad():
    output = model(input_tensor)
    prediction = torch.argmax(output, dim=1)
    print(f"预测类别索引：{prediction.item()}")

提示：如需使用其他变体（如 res2net101、res2next50 等），只需替换导入和构造函数名称即可。