PyTorch-Models

PyTorch实现的卷积神经网络

经典网络

• AlexNet：

• VGG：

• ResNet：

• InceptionV1：

• InceptionV2和InceptionV3：

• InceptionV4和Inception-ResNet：

轻量级网络

• MobileNets：
• MobileNetV2：
• MobileNetV3：
• ShuffleNet：
• ShuffleNet V2：
• SqueezeNet
• Xception
• MixNet
• GhostNet

目标检测网络

• SSD：
• YOLO：
• YOLOv2：
• YOLOv3：
• FCOS：
• FPN：
• RetinaNet
• Objects as Points：
• FSAF：
• CenterNet
• FoveaBox

语义分割

• FCN

• Fast-SCNN

• LEDNet：

• LRNNet

• FisheyeMODNet：

实例分割

• PolarMask

人脸检测与识别

• FaceBoxes
• LFFD
• VarGFaceNet

人体姿态估计

• Stacked Hourglass Networks
• Simple Baselines
• LPN

星标历史

PyTorch-Networks 快速上手指南

本指南旨在帮助开发者快速部署并使用 PyTorch-Networks，该项目提供了基于 PyTorch 实现的多种经典深度学习网络架构，涵盖分类、检测、分割及人脸/姿态估计等任务。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04+) 或 macOS
• Python 版本: Python 3.6 或更高版本
• GPU 支持: 可选（若需加速训练，请确保已安装对应的 NVIDIA 驱动和 CUDA）
• 前置依赖:
  • PyTorch (建议 1.7.0+)
  • torchvision
  • NumPy
  • OpenCV-Python (opencv-python)
  • Pillow

国内加速建议：推荐使用清华源或阿里源安装 Python 依赖，以提升下载速度。

安装步骤

1. 克隆项目代码

使用 Git 将仓库克隆到本地：

git clone https://github.com/shanglianlm0525/PyTorch-Networks.git
cd PyTorch-Networks

2. 安装 PyTorch 核心框架

请访问 PyTorch 官网 获取适合您环境的安装命令。 国内用户推荐使用清华源安装：

# 示例：安装 CPU 版本 (如需 GPU 请替换为 cu118/cu121 等对应版本)
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 安装项目依赖

安装运行所需的其他第三方库：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

(注：如果项目中没有 requirements.txt 文件，请手动安装常见依赖：pip install opencv-python numpy pillow -i https://pypi.tuna.tsinghua.edu.cn/simple)

基本使用

该项目以模块化方式组织了各类网络模型。以下是加载并实例化一个经典网络（如 ResNet）的最简示例。

示例：加载 ResNet 模型

假设您需要使用 ResNet 进行图像分类任务，可以参考以下代码结构：

import torch
from models.classification.resnet import resnet50  # 根据实际目录结构调整导入路径

# 1. 配置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 2. 实例化模型 (以 ResNet-50 为例)
# 注意：具体类名和参数请参考 models 目录下对应网络的实现文件
model = resnet50(pretrained=False, num_classes=1000)

# 3. 将模型移至设备
model.to(device)

# 4. 准备输入数据 (模拟一张 224x224 的 RGB 图片)
dummy_input = torch.randn(1, 3, 224, 224).to(device)

# 5. 前向推理
model.eval()
with torch.no_grad():
    output = model(dummy_input)

print(f"输出形状：{output.shape}")

模型调用说明

项目涵盖了以下主要模块，使用时请进入对应的子目录查看具体实现：

• 经典网络: models/classification/ (包含 AlexNet, VGG, Inception 系列等)
• 轻量级网络: models/lightweight/ (包含 MobileNet 系列, ShuffleNet, GhostNet 等)
• 目标检测: models/detection/ (包含 YOLO 系列, SSD, FCOS, CenterNet 等)
• 语义分割: models/segmentation/ (包含 FCN, Fast-SCNN 等)
• 其他任务: 人脸检测、人体姿态估计等均有独立文件夹。

您可以直接导入相应文件夹下的 .py 文件来构建模型，并根据需求修改 num_classes 或加载预训练权重。