EfficientNet Keras（以及 TensorFlow Keras）

本仓库包含 EfficientNet 的 Keras（及 TensorFlow Keras）重新实现版本。EfficientNet 是一种轻量级卷积神经网络架构，在 ImageNet 以及其他五个常用的迁移学习数据集上，均以少一个数量级的参数和 FLOPS 实现了 最先进的准确率。

该代码库深受 TensorFlow 实现 的启发。

重要提示！

2019年7月24日 进行了一次重大库更新。现在 efficientnet 同时支持 keras 和 tensorflow.keras 两个框架。如果您在该日期之前训练过模型，请使用 efficientnet 0.0.4 版本来加载它们。您可以通过运行 pip install -U efficientnet==0.0.4 或 pip install -U git+https://github.com/qubvel/efficientnet/tree/v0.0.4 来回退到旧版本。

目录

1. 关于 EfficientNet 模型
2. 示例
3. 模型
4. 安装
5. 常见问题解答
6. 致谢

关于 EfficientNet 模型

EfficientNets 借助 AutoML 和复合缩放技术，在不牺牲资源效率的前提下实现了卓越性能。借助 AutoML Mobile 框架，开发出了一种移动端大小的基础网络 EfficientNet-B0，随后通过复合缩放方法进一步优化，得到了 EfficientNet-B1 到 B7。

EfficientNets 在 ImageNet 上以高一个数量级的效率实现了最先进的准确率：

• 在高准确率区间，EfficientNet-B7 在 ImageNet 上达到了 84.4% top-1 / 97.1% top-5 的最先进准确率，仅需 66M 参数和 37B FLOPS。与此同时，该模型在 CPU 推理速度上比之前的领先者 Gpipe 快 6.1 倍，且体积小 8.4 倍。

• 在中等准确率区间，EfficientNet-B1 在 CPU 推理速度上比 ResNet-152 快 5.7 倍，体积小 7.6 倍，同时保持相似的 ImageNet 准确率。

• 与广泛使用的 ResNet-50 相比，EfficientNet-B4 在相近的 FLOPS 约束下，将 top-1 准确率从 ResNet-50 的 76.3% 提升至 82.6%（提升 6.3%）。

示例

• 初始化模型：

# 模型可以使用 Keras 或 TensorFlow 框架构建
# 分别使用 keras 和 tfkeras 模块
# efficientnet.keras / efficientnet.tfkeras
import efficientnet.keras as efn 

model = efn.EfficientNetB0(weights='imagenet')  # 或 weights='noisy-student'

• 加载预训练权重：

# 模型使用了一些自定义对象，因此在加载保存的模型之前
# 需要导入构建网络时所用的模块
# 例如 import efficientnet.keras / import efficientnet.tfkeras
import efficientnet.tfkeras
from tensorflow.keras.models import load_model

model = load_model('path/to/model.h5')

完整的模型加载与推理示例可在 Jupyter 笔记本 这里 查看。

模型

各模型变体使用作者提供的检查点转换而来的预训练权重时的表现如下：

架构	@top1* Imagenet	@top1* Noisy-Student
EfficientNetB0	0.772	0.788
EfficientNetB1	0.791	0.815
EfficientNetB2	0.802	0.824
EfficientNetB3	0.816	0.841
EfficientNetB4	0.830	0.853
EfficientNetB5	0.837	0.861
EfficientNetB6	0.841	0.864
EfficientNetB7	0.844	0.869

* - 转换后模型的 topK 准确率分数（imagenet val 集合）

安装

要求

• Keras >= 2.2.0 / TensorFlow >= 1.12.0
• keras_applications >= 1.0.7
• scikit-image

从源码安装

$ pip install -U git+https://github.com/qubvel/efficientnet

从 PyPI 安装

PyPI 稳定版

$ pip install -U efficientnet

PyPI 最新版（支持 keras 和 tf.keras）

$ pip install -U --pre efficientnet

常见问题解答

• 如何将原始 TensorFlow 检查点转换为 Keras HDF5 格式？

选择目标目录（如 dist），然后从仓库目录运行 转换脚本 如下：

$ ./scripts/convert_efficientnet.sh --target_dir dist

您还可以选择创建一个已安装所有依赖项的虚拟环境，只需添加 --make_venv=true；或者通过设置 --tmp_working_dir=true，在临时目录而非目标目录中进行操作。

致谢

我要感谢积极为本仓库做出贡献的社区成员：

1. Sasha Illarionov (@sdll) 为权重转换准备了自动化脚本。
2. Björn Barz (@Callidior) 对模型代码进行了适配，使其兼容 keras 和 tensorflow.keras 框架。

EfficientNet 快速上手指南

EfficientNet 是一系列轻量级卷积神经网络架构，通过复合缩放方法在大幅减少参数量和计算量（FLOPS）的同时，实现了 ImageNet 等数据集上的最先进精度。本库提供了基于 Keras 和 TensorFlow Keras 的实现。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• Python 版本：建议 Python 3.6+
• 核心框架：
  • Keras >= 2.2.0 或 TensorFlow >= 1.12.0 (支持 tf.keras)
• 依赖库：
  • keras_applications >= 1.0.7
  • scikit-image

注意：该库同时支持原生 keras 和 tensorflow.keras。自 2019 年 7 月 24 日更新后，两者均可使用。若您需加载此日期前训练的旧模型，请使用版本 0.0.4。

安装步骤

您可以选择通过 PyPI 直接安装，或从源码安装。国内用户建议使用清华或阿里镜像源以加速下载。

方式一：通过 PyPI 安装（推荐）

安装稳定版：

pip install -U efficientnet -i https://pypi.tuna.tsinghua.edu.cn/simple

安装包含最新特性（支持 keras 和 tf.keras）的预发布版：

pip install -U --pre efficientnet -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：从源码安装

如果您需要最新的代码提交：

pip install -U git+https://github.com/qubvel/efficientnet -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是加载预训练模型并进行推理的最简示例。

1. 初始化模型

您可以根据需求导入 efficientnet.keras 或 efficientnet.tfkeras。以下示例展示如何加载带有 ImageNet 预训练权重的 EfficientNet-B0 模型：

# 根据您使用的框架选择导入模块
# 如果使用原生 keras: import efficientnet.keras as efn
# 如果使用 tensorflow.keras: import efficientnet.tfkeras as efn
import efficientnet.keras as efn 

# 创建模型，weights 可选 'imagenet' 或 'noisy-student'
model = efn.EfficientNetB0(weights='imagenet')

2. 加载已保存的模型

如果您需要加载之前保存的 .h5 模型文件，请务必先导入构建该模型时所使用的相同模块，以确保自定义对象被正确注册：

# 假设模型是使用 tfkeras 构建并保存的
import efficientnet.tfkeras
from tensorflow.keras.models import load_model

# 加载模型
model = load_model('path/to/model.h5')

加载完成后，即可使用标准的 Keras/TensorFlow 流程进行预测（model.predict）或微调训练。