[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zhanghang1989--ResNeSt":3,"tool-zhanghang1989--ResNeSt":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",155373,2,"2026-04-14T11:34:08",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":150},7443,"zhanghang1989\u002FResNeSt","ResNeSt","ResNeSt: Split-Attention Networks","ResNeSt（Split-Attention Networks）是一款基于经典 ResNet 架构改进的深度学习模型，旨在通过引入“分裂注意力”机制显著提升图像识别及相关下游任务的性能。它主要解决了传统卷积神经网络在特征提取时难以有效捕捉通道间依赖关系的问题，从而在图像分类、目标检测、实例分割及语义分割等计算机视觉核心任务中实现了更高的精度。\n\n该工具的核心技术亮点在于其独特的模块设计：将特征图在通道维度上分组，并在每组内应用注意力机制，使网络能够自适应地学习不同特征通道的重要性。这种设计不仅保持了与现有 ResNet 模型良好的兼容性，还大幅增强了模型的表征能力。实验数据显示，ResNeSt 在 ImageNet 数据集上的准确率最高可达 84.54%，并能显著带动 Mask R-CNN、DeepLabV3 等主流框架的效果提升。\n\nResNeSt 非常适合计算机视觉领域的研究人员、算法工程师及开发者使用。无论是希望复现前沿论文结果、进行模型微调迁移学习，还是构建高精度的工业级视觉应用，用户都可以通过 PyTorch、TensorFlow 等多种框架轻松调用其预训练模型。项目提供了","ResNeSt（Split-Attention Networks）是一款基于经典 ResNet 架构改进的深度学习模型，旨在通过引入“分裂注意力”机制显著提升图像识别及相关下游任务的性能。它主要解决了传统卷积神经网络在特征提取时难以有效捕捉通道间依赖关系的问题，从而在图像分类、目标检测、实例分割及语义分割等计算机视觉核心任务中实现了更高的精度。\n\n该工具的核心技术亮点在于其独特的模块设计：将特征图在通道维度上分组，并在每组内应用注意力机制，使网络能够自适应地学习不同特征通道的重要性。这种设计不仅保持了与现有 ResNet 模型良好的兼容性，还大幅增强了模型的表征能力。实验数据显示，ResNeSt 在 ImageNet 数据集上的准确率最高可达 84.54%，并能显著带动 Mask R-CNN、DeepLabV3 等主流框架的效果提升。\n\nResNeSt 非常适合计算机视觉领域的研究人员、算法工程师及开发者使用。无论是希望复现前沿论文结果、进行模型微调迁移学习，还是构建高精度的工业级视觉应用，用户都可以通过 PyTorch、TensorFlow 等多种框架轻松调用其预训练模型。项目提供了完善的文档和一键加载接口，帮助用户快速验证效果并集成到现有工作流中，是探索高性能视觉骨干网络的理想选择。","[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fresnest.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fresnest)\n[![PyPI Pre-release](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpypi--prerelease-v0.0.6-ff69b4.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fresnest\u002F#history)\n[![PyPI Nightly](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fworkflows\u002FPypi%20Nightly\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Factions)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhanghang1989_ResNeSt_readme_150dfe653354.png)](http:\u002F\u002Fpepy.tech\u002Fproject\u002Fresnest)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n[![Unit Test](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fworkflows\u002FUnit%20Test\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Factions)\n[![arXiv](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcs.CV-arXiv%3A2004.08955-B31B1B.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08955)\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Finstance-segmentation-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fobject-detection-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fpanoptic-segmentation-on-coco-panoptic)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fpanoptic-segmentation-on-coco-panoptic?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-ade20k)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-ade20k?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-cityscapes-val)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-cityscapes-val?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-pascal-context)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-pascal-context?p=resnest-split-attention-networks)\n\n\n# ResNeSt\nSplit-Attention Network, A New ResNet Variant. It significantly boosts the performance of downstream models such as Mask R-CNN, Cascade R-CNN and DeepLabV3.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhanghang1989_ResNeSt_readme_543a0cebc30c.jpg)\n\n### Table of Contents\n0. [Pretrained Models](#pretrained-models)\n0. [Transfer Learning Models](#transfer-learning-models)\n0. [Verify  ImageNet Results](#verify-imagenet-results)\n0. [How to Train](#how-to-train)\n0. [Reference](#reference)\n\n\n### Pypi \u002F GitHub Install\n\n0. Install this package repo, note that you only need to choose one of the options\n\n```bash\n# using github url\npip install git+https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\n\n# using pypi\npip install resnest --pre\n```\n\n## Pretrained Models\n\n|             | crop size | PyTorch | Gluon |\n|-------------|-----------|---------|-------|\n| ResNeSt-50  | 224       | 81.03   | 81.04 |\n| ResNeSt-101 | 256       | 82.83   | 82.81 |\n| ResNeSt-200 | 320       | 83.84   | 83.88 |\n| ResNeSt-269 | 416       | 84.54   | 84.53 |\n\n- **3rd party implementations** are available: [Tensorflow](https:\u002F\u002Fgithub.com\u002FQiaoranC\u002Ftf_ResNeSt_RegNet_model), [Caffe](https:\u002F\u002Fgithub.com\u002FNetEase-GameAI\u002FResNeSt-caffe), [JAX](https:\u002F\u002Fgithub.com\u002Fn2cholas\u002Fjax-resnet\u002F).\n\n- Extra ablation study models are available in [link](.\u002Fablation.md)\n\n### PyTorch Models\n\n- Load using Torch Hub\n\n```python\nimport torch\n# get list of models\ntorch.hub.list('zhanghang1989\u002FResNeSt', force_reload=True)\n\n# load pretrained models, using ResNeSt-50 as an example\nnet = torch.hub.load('zhanghang1989\u002FResNeSt', 'resnest50', pretrained=True)\n```\n\n\n- Load using python package\n\n```python\n# using ResNeSt-50 as an example\nfrom resnest.torch import resnest50\nnet = resnest50(pretrained=True)\n```\n\n\n### Gluon Models\n\n- Load pretrained model:\n\n```python\n# using ResNeSt-50 as an example\nfrom resnest.gluon import resnest50\nnet = resnest50(pretrained=True)\n```\n\n## Transfer Learning Models\n\n### Detectron2\n\nWe provide a wrapper for training Detectron2 models with ResNeSt backbone at [d2](.\u002Fd2). Training configs and pretrained models are released. See details in [d2](.\u002Fd2).\n\n### MMDetection\n\nThe ResNeSt backbone has been adopted by [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Ftree\u002Fmaster\u002Fconfigs\u002Fresnest).\n\n### Semantic Segmentation\n\n- PyTorch models and training: Please visit [PyTorch Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fsegmentation.html).\n- Gluon models and training: Please visit [GluonCV Toolkit](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fsegmentation.html#ade20k-dataset).\n\n\n## Verify ImageNet Results:\n\n**Note:** the inference speed reported in the paper are tested using Gluon implementation with RecordIO data.\n\n### Prepare ImageNet dataset:\n\nHere we use raw image data format for simplicity, please follow [GluonCV tutorial](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fbuild\u002Fexamples_datasets\u002Frecordio.html) if you would like to use RecordIO format.\n\n```bash\ncd scripts\u002Fdataset\u002F\n# assuming you have downloaded the dataset in the current folder\npython prepare_imagenet.py --download-dir .\u002F\n```\n\n### Torch Model\n\n```bash\n# use resnest50 as an example\ncd scripts\u002Ftorch\u002F\npython verify.py --model resnest50 --crop-size 224\n```\n\n### Gluon Model\n\n```bash\n# use resnest50 as an example\ncd scripts\u002Fgluon\u002F\npython verify.py --model resnest50 --crop-size 224\n```\n\n## How to Train\n\n### ImageNet Models\n\n- Training with MXNet Gluon: Please visit [Gluon folder](.\u002Fscripts\u002Fgluon\u002F).\n- Training with PyTorch: Please visit [PyTorch Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fimagenet.html) (slightly worse than Gluon implementation).\n\n### Detectron Models\n\nFor object detection and instance segmentation models, please visit our [detectron2-ResNeSt fork](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002Fdetectron2-ResNeSt).\n\n### Semantic Segmentation\n\n- Training with PyTorch: [Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fsegmentation.html).\n- Training with MXNet: [GluonCV Toolkit](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fsegmentation.html#ade20k-dataset).\n\n## Reference\n\n**ResNeSt: Split-Attention Networks** [[arXiv](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.08955.pdf)]\n\nHang Zhang, Chongruo Wu, Zhongyue Zhang, Yi Zhu, Zhi Zhang, Haibin Lin, Yue Sun, Tong He, Jonas Muller, R. Manmatha, Mu Li and Alex Smola\n\n```\n@article{zhang2020resnest,\ntitle={ResNeSt: Split-Attention Networks},\nauthor={Zhang, Hang and Wu, Chongruo and Zhang, Zhongyue and Zhu, Yi and Zhang, Zhi and Lin, Haibin and Sun, Yue and He, Tong and Muller, Jonas and Manmatha, R. and Li, Mu and Smola, Alexander},\njournal={arXiv preprint arXiv:2004.08955},\nyear={2020}\n}\n```\n\n### Major Contributors\n\n- ResNeSt Backbone ([Hang Zhang](https:\u002F\u002Fhangzhang.org\u002F))\n- Detectron Models ([Chongruo Wu](https:\u002F\u002Fgithub.com\u002Fchongruo), [Zhongyue Zhang](http:\u002F\u002Fzhongyuezhang.com\u002F))\n- Semantic Segmentation ([Yi Zhu](https:\u002F\u002Fsites.google.com\u002Fview\u002Fyizhu\u002Fhome))\n- Distributed Training ([Haibin Lin](https:\u002F\u002Fsites.google.com\u002Fview\u002Fhaibinlin\u002F))\n","[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fresnest.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fresnest)\n[![PyPI Pre-release](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpypi--prerelease-v0.0.6-ff69b4.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fresnest\u002F#history)\n[![PyPI Nightly](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fworkflows\u002FPypi%20Nightly\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Factions)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhanghang1989_ResNeSt_readme_150dfe653354.png)](http:\u002F\u002Fpepy.tech\u002Fproject\u002Fresnest)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n[![Unit Test](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fworkflows\u002FUnit%20Test\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Factions)\n[![arXiv](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcs.CV-arXiv%3A2004.08955-B31B1B.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08955)\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Finstance-segmentation-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fobject-detection-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fpanoptic-segmentation-on-coco-panoptic)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fpanoptic-segmentation-on-coco-panoptic?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-ade20k)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-ade20k?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-cityscapes-val)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-cityscapes-val?p=resnest-split-attention-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fresnest-split-attention-networks\u002Fsemantic-segmentation-on-pascal-context)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fsemantic-segmentation-on-pascal-context?p=resnest-split-attention-networks)\n\n\n# ResNeSt\n分割注意力网络，一种新的ResNet变体。它显著提升了Mask R-CNN、Cascade R-CNN和DeepLabV3等下游模型的性能。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhanghang1989_ResNeSt_readme_543a0cebc30c.jpg)\n\n### 目录\n0. [预训练模型](#pretrained-models)\n0. [迁移学习模型](#transfer-learning-models)\n0. [验证ImageNet结果](#verify-imagenet-results)\n0. [如何训练](#how-to-train)\n0. [参考文献](#reference)\n\n\n### Pypi \u002F GitHub 安装\n\n0. 安装此软件包仓库，注意只需选择其中一种方式即可\n\n```bash\n# 使用GitHub地址\npip install git+https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\n\n# 使用PyPI\npip install resnest --pre\n```\n\n## 预训练模型\n\n|             | 裁剪尺寸 | PyTorch | Gluon |\n|-------------|-----------|---------|-------|\n| ResNeSt-50  | 224       | 81.03   | 81.04 |\n| ResNeSt-101 | 256       | 82.83   | 82.81 |\n| ResNeSt-200 | 320       | 83.84   | 83.88 |\n| ResNeSt-269 | 416       | 84.54   | 84.53 |\n\n- **第三方实现** 可用：[TensorFlow](https:\u002F\u002Fgithub.com\u002FQiaoranC\u002Ftf_ResNeSt_RegNet_model)、[Caffe](https:\u002F\u002Fgithub.com\u002FNetEase-GameAI\u002FResNeSt-caffe)、[JAX](https:\u002F\u002Fgithub.com\u002Fn2cholas\u002Fjax-resnet\u002F)。\n\n- 更多消融实验模型可在 [链接](.\u002Fablation.md) 中找到。\n\n### PyTorch 模型\n\n- 使用 Torch Hub 加载\n\n```python\nimport torch\n# 获取模型列表\ntorch.hub.list('zhanghang1989\u002FResNeSt', force_reload=True)\n\n# 加载预训练模型，以ResNeSt-50为例\nnet = torch.hub.load('zhanghang1989\u002FResNeSt', 'resnest50', pretrained=True)\n```\n\n\n- 使用 Python 包加载\n\n```python\n# 以ResNeSt-50为例\nfrom resnest.torch import resnest50\nnet = resnest50(pretrained=True)\n```\n\n\n### Gluon 模型\n\n- 加载预训练模型：\n\n```python\n# 以ResNeSt-50为例\nfrom resnest.gluon import resnest50\nnet = resnest50(pretrained=True)\n```\n\n\n## 迁移学习模型\n\n### Detectron2\n\n我们提供了一个用于使用ResNeSt主干训练Detectron2模型的封装，位于 [d2](.\u002Fd2)。训练配置和预训练模型已发布。详情请参阅 [d2](.\u002Fd2)。\n\n### MMDetection\n\nResNeSt主干已被 [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Ftree\u002Fmaster\u002Fconfigs\u002Fresnest) 采用。\n\n### 语义分割\n\n- PyTorch 模型和训练：请访问 [PyTorch Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fsegmentation.html)。\n- Gluon 模型和训练：请访问 [GluonCV Toolkit](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fsegmentation.html#ade20k-dataset)。\n\n\n## 验证 ImageNet 结果：\n\n**注意：** 论文中报告的推理速度是使用 Gluon 实现并结合 RecordIO 数据进行测试的。\n\n### 准备 ImageNet 数据集：\n\n为简便起见，我们这里使用原始图像数据格式。如果您希望使用 RecordIO 格式，请参考 [GluonCV 教程](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fbuild\u002Fexamples_datasets\u002Frecordio.html)。\n\n```bash\ncd scripts\u002Fdataset\u002F\n# 假设您已将数据集下载到当前文件夹\npython prepare_imagenet.py --download-dir .\u002F\n```\n\n### Torch 模型\n\n```bash\n# 以resnest50为例\ncd scripts\u002Ftorch\u002F\npython verify.py --model resnest50 --crop-size 224\n```\n\n### Gluon 模型\n\n```bash\n# 以resnest50为例\ncd scripts\u002Fgluon\u002F\npython verify.py --model resnest50 --crop-size 224\n```\n\n## 如何训练\n\n### ImageNet 模型\n\n- 使用 MXNet Gluon 训练：请访问 [Gluon 文件夹](.\u002Fscripts\u002Fgluon\u002F)。\n- 使用 PyTorch 训练：请访问 [PyTorch Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fimagenet.html)（略逊于 Gluon 实现）。\n\n### Detectron 模型\n\n对于目标检测和实例分割模型，请访问我们的 [detectron2-ResNeSt 分支](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002Fdetectron2-ResNeSt)。\n\n### 语义分割\n\n- 使用 PyTorch 训练：[Encoding Toolkit](https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fsegmentation.html)。\n- 使用 MXNet 训练：[GluonCV Toolkit](https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fsegmentation.html#ade20k-dataset)。\n\n## 参考文献\n\n**ResNeSt: 分割注意力网络** [[arXiv](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.08955.pdf)]\n\n张航、吴崇若、张中岳、朱毅、张志、林海斌、孙悦、何通、乔纳斯·穆勒、R. 曼马塔、李沐和亚历克斯·斯莫拉\n\n```\n@article{zhang2020resnest,\ntitle={ResNeSt: Split-Attention Networks},\nauthor={Zhang, Hang and Wu, Chongruo and Zhang, Zhongyue and Zhu, Yi and Zhang, Zhi and Lin, Haibin and Sun, Yue and He, Tong and Muller, Jonas and Manmatha, R. and Li, Mu and Smola, Alexander},\njournal={arXiv preprint arXiv:2004.08955},\nyear={2020}\n}\n```\n\n### 主要贡献者\n\n- ResNeSt 主干网络（[张航](https:\u002F\u002Fhangzhang.org\u002F)）\n- Detectron 模型（[吴崇若](https:\u002F\u002Fgithub.com\u002Fchongruo)、[张仲悦](http:\u002F\u002Fzhongyuezhang.com\u002F)）\n- 语义分割（[朱毅](https:\u002F\u002Fsites.google.com\u002Fview\u002Fyizhu\u002Fhome)）\n- 分布式训练（[林海斌](https:\u002F\u002Fsites.google.com\u002Fview\u002Fhaibinlin\u002F)）","# ResNeSt 快速上手指南\n\nResNeSt（Split-Attention Network）是 ResNet 的一种变体，通过引入分裂注意力机制，显著提升了下游任务（如 Mask R-CNN、Cascade R-CNN 和 DeepLabV3）的性能。本指南将帮助中国开发者快速安装并使用预训练模型。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 需使用 WSL 或 Docker)\n*   **Python**: 3.6 及以上版本\n*   **深度学习框架**:\n    *   **PyTorch**: 1.4+ (推荐用于快速验证和推理)\n    *   **MXNet (Gluon)**: 1.6+ (原文训练及高精度推理推荐)\n*   **依赖库**: `torchvision`, `numpy` 等常规科学计算库\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包下载。\n\n## 安装步骤\n\n您可以选择通过 PyPI 或 GitHub 源码进行安装，任选其一即可。\n\n### 方式一：通过 PyPI 安装（推荐）\n\n使用 pip 直接安装预发布版本：\n\n```bash\npip install resnest --pre -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：通过 GitHub 源码安装\n\n如果您需要最新代码或进行二次开发：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n安装完成后，您可以直接加载预训练模型进行推理。以下提供 PyTorch 和 Gluon 两种框架的最简示例。\n\n### 1. PyTorch 用户\n\n#### 方法 A：使用 Torch Hub (无需额外导入 resnest 包)\n\n```python\nimport torch\n\n# 查看可用模型列表\ntorch.hub.list('zhanghang1989\u002FResNeSt', force_reload=True)\n\n# 加载预训练模型 (以 ResNeSt-50 为例)\nnet = torch.hub.load('zhanghang1989\u002FResNeSt', 'resnest50', pretrained=True)\nnet.eval()\n\n# 准备输入数据 (示例)\ninput_tensor = torch.randn(1, 3, 224, 224)\nwith torch.no_grad():\n    output = net(input_tensor)\n```\n\n#### 方法 B：使用 Python 包导入\n\n```python\nfrom resnest.torch import resnest50\nimport torch\n\n# 初始化模型\nnet = resnest50(pretrained=True)\nnet.eval()\n\n# 推理示例\ninput_tensor = torch.randn(1, 3, 224, 224)\noutput = net(input_tensor)\n```\n\n### 2. MXNet (Gluon) 用户\n\n```python\nfrom resnest.gluon import resnest50\nimport mxnet as mx\n\n# 加载预训练模型\nnet = resnest50(pretrained=True)\nnet.hybridize()\n\n# 准备输入数据\ndata = mx.nd.random.normal(shape=(1, 3, 224, 224))\noutput = net(data)\n```\n\n### 预训练模型性能参考\n\n| 模型 | 裁剪尺寸 | Top-1 准确率 (PyTorch) |\n| :--- | :--- | :--- |\n| ResNeSt-50 | 224 | 81.03% |\n| ResNeSt-101 | 256 | 82.83% |\n| ResNeSt-200 | 320 | 83.84% |\n| ResNeSt-269 | 416 | 84.54% |\n\n> **注意**：如需用于目标检测（Detectron2\u002FMMDetection）或语义分割任务，请参考官方仓库中的 `d2` 文件夹或 MMDetection 配置文档以获取对应的骨干网络集成方案。","某智慧农业团队正在开发一套基于无人机航拍的高精度作物病害检测系统，需要在复杂的田间背景下精准识别并分割叶片上的微小病斑。\n\n### 没有 ResNeSt 时\n- **特征提取能力不足**：传统 ResNet 骨干网络在处理叶片纹理与背景土壤颜色相近的情况时，难以区分关键细节，导致大量漏检。\n- **小目标识别率低**：对于早期微小的病斑（实例分割任务），模型感受野受限，无法有效捕捉局部细微特征，误报率居高不下。\n- **泛化性能较差**：在不同光照条件或作物生长阶段下，模型表现波动大，需要针对每个新场景重新收集大量数据进行微调。\n- **精度提升遭遇瓶颈**：即使增加了训练时长和数据增强策略，mAP（平均精度均值）和 IoU（交并比）指标仍停滞不前，无法满足商业化交付标准。\n\n### 使用 ResNeSt 后\n- **分裂注意力机制生效**：ResNeSt 引入的 Split-Attention 模块让模型能自适应地聚焦于病斑的关键通道特征，显著提升了复杂背景下的区分度。\n- **细粒度特征增强**：得益于多分支结构，模型对微小病斑的实例分割精度大幅提升，成功捕获了此前被忽略的早期病变区域。\n- **强大的迁移学习效果**：利用 ResNeSt 在 ImageNet 上预训练的强大权重，团队仅需少量田间样本微调，模型即可快速适应不同光照和作物品种。\n- **下游任务全面增益**：替换骨干网后，集成的 Mask R-CNN 和 DeepLabV3+ 模型在 COCO 和 ADE20K 等基准测试中的性能得到验证，实际业务指标突破交付阈值。\n\nResNeSt 通过创新的分裂注意力机制，在不显著增加计算成本的前提下，彻底解决了精细农业场景中微小病灶难识别的核心痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhanghang1989_ResNeSt_52ba06f1.png","zhanghang1989","Hang Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzhanghang1989_6159fbdd.png","\r\n    Hang Zhang (张航)\r\n",null,"zhanghang@fb.com","zhanghang0704","https:\u002F\u002Fhangzhang.org\u002F","https:\u002F\u002Fgithub.com\u002Fzhanghang1989",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,3265,496,"2026-04-11T12:51:19","Apache-2.0","未说明","训练和推理通常需要 NVIDIA GPU（基于 PyTorch\u002FGluon 实现），具体型号和显存取决于模型大小（ResNeSt-50 至 269）及任务（如检测、分割），原文未明确指定最低显存或 CUDA 版本。",{"notes":94,"python":91,"dependencies":95},"该工具支持 PyTorch 和 MXNet (Gluon) 两种框架。可通过 pip 直接安装或通过 Torch Hub 加载预训练模型。针对目标检测和语义分割任务，分别提供了适配 Detectron2 和 MMDetection 的配置及封装。第三方实现支持 TensorFlow、Caffe 和 JAX。",[96,97,98],"torch","gluoncv","mxnet",[14],[101,102,103,104,105,106],"deep-learning","resnet","resnest","pytorch","detectron-models","split-attention-networks","2026-03-27T02:49:30.150509","2026-04-14T20:50:58.907332",[110,115,120,125,130,135,140,145],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},33401,"ResNeSt-18\u002F34 是否可以使用带有 Split-Attention 单元的 BasicBlock？","论文中使用 Bottleneck 块是为了更好地契合理论故事，但在 ResNeSt-18 或 34 中使用带有 Split-Attention 单元的 BasicBlock 理论上也是可行的。","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F21",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},33394,"如何加载预训练的 ResNeSt 模型？","可以直接使用提供的代码加载预训练模型。例如，加载 ResNeSt-50 快速版的代码如下：\nfrom resnest.torch import resnest50_fast_4s2x40d\nnet = resnest50_fast_4s2x40d(pretrained=True)","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F85",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},33395,"代码中引用的 rfconv 模块在哪里可以找到？","rfconv 模块已开源，可以在以下 GitHub 仓库中找到：https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FRFConv","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F17",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},33396,"无法下载模型或遇到网络错误怎么办？","如果无法下载模型，可能是网络问题或 URL 变更。可以尝试以下解决方法：\n1. 检查网络连接后重试。\n2. 如果是哈希校验失败，可以尝试在 torch\u002Fresnest.py 文件中移除 load_state_dict_from_url() 函数里的 check_hash 参数。","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F94",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},33397,"使用 ResNeSt 作为骨干网络训练时出现 Loss 为 NaN 或梯度溢出怎么办？","这通常是由梯度爆炸引起的。建议使用梯度裁剪（gradient clipping）来解决。可以使用 PyTorch 的 torch.nn.utils.clip_grad_norm_ 函数在训练过程中对梯度进行裁剪。","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F48",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},33398,"ResNeSt 与 SKNet 的注意力机制有什么区别？","虽然 Split-Attention Network 与 SKNet 的注意力机制相似，但 ResNeSt 采用了 radix-major 的实现方式。具体的差异和消融实验模型可以参考官方文档：https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fblob\u002Fmaster\u002Fablation.md","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F4",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},33399,"在哪里可以找到 ImageNet 分类、语义分割和目标检测的训练代码及预训练模型？","所有训练代码和预训练模型已发布，资源链接如下：\n- ImageNet 分类 (Gluon\u002FPyTorch): https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fclassification.html 或 https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fimagenet.html\n- 语义分割 (Gluon\u002FPyTorch): https:\u002F\u002Fgluon-cv.mxnet.io\u002Fmodel_zoo\u002Fsegmentation.html 或 https:\u002F\u002Fhangzhang.org\u002FPyTorch-Encoding\u002Fmodel_zoo\u002Fsegmentation.html\n- 目标检测和实例分割 (Detectron2): https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002Fdetectron2-ResNeSt","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F13",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},33400,"为什么在 mmdetection 中使用 ResNeSt  backbone 效果比 ResNet50 差？","如果在 mmdetection 中直接替换 backbone 导致效果下降，可能是因为缺少可变形卷积（DCN）的支持。官方发布了基于 Detectron2 并集成了 DCN 的 ResNeSt 实现，效果更好。可以参考该项目：https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002Fdetectron2-ResNeSt","https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FResNeSt\u002Fissues\u002F37",[151,156,161,166,171,176],{"id":152,"version":153,"summary_zh":154,"released_at":155},255606,"weights_step2","添加 ResNeSt 50、101、200、269 的 MXNet Gluon 模型权重","2021-05-17T23:29:42",{"id":157,"version":158,"summary_zh":159,"released_at":160},255607,"weights_step1","ResNeSt 50、101、200、269 模型及 Detectron2 主干网络","2021-05-17T22:48:07",{"id":162,"version":163,"summary_zh":164,"released_at":165},255608,"v0.0.5","更改所有使用 Wasabi URL 的模型","2020-06-28T19:14:07",{"id":167,"version":168,"summary_zh":169,"released_at":170},255609,"0.0.4","将 PyTorch 的 S3 URL 更新为 Wasabi，以节省费用。","2020-06-21T21:24:40",{"id":172,"version":173,"summary_zh":174,"released_at":175},255610,"v0.0.3","# ResNeSt 0.0.3\n\n## Detectron2-ResNeSt\n\n详情请参阅 [Detectron2-ResNeSt 仓库](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002Fdetectron2-ResNeSt)\n\n### MS-COCO 验证集上的目标检测\n\n\n\u003Ctable class=\"tg\">\n  \u003Ctr>\n    \u003Cth class=\"tg-0pky\">方法\u003C\u002Fth>\n    \u003Cth class=\"tg-0pky\">骨干网络\u003C\u002Fth>\n    \u003Cth class=\"tg-0pky\">mAP%\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd rowspan=\"4\" class=\"tg-0pky\">Faster R-CNN\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0pky\">ResNet-50\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0pky\">39.25\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNet-101\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">41.37\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-50（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>42.33\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-101（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>44.72\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd rowspan=\"5\" class=\"tg-0lax\">Cascade R-CNN\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">ResNet-50\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">42.52\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNet-101\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">44.03\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-50（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>45.41\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-101（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>47.50\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-200（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>49.03\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n### 实例分割\n\n\n\u003Ctable class=\"tg\">\n  \u003Ctr>\n    \u003Cth class=\"tg-0pky\">方法\u003C\u002Fth>\n    \u003Cth class=\"tg-0pky\">骨干网络\u003C\u002Fth>\n    \u003Cth class=\"tg-0pky\">边界框\u003C\u002Fth>\n    \u003Cth class=\"tg-0lax\">掩码\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd rowspan=\"4\" class=\"tg-0pky\">Mask R-CNN\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0pky\">ResNet-50\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0pky\">39.97\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">36.05\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNet-101\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">41.78\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">37.51\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-50（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>42.81\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>38.14\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-101（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>45.75\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>40.65\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd rowspan=\"4\" class=\"tg-0lax\">Cascade R-CNN\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">ResNet-50\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">43.06\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">37.19\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNet-101\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">44.79\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">38.52\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-50（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>46.19\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd class=\"tg-0lax\">\u003Cb>39.55\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd class=\"tg-0lax\">ResNeSt-101（\u003Cspan style=\"color:red\">我们\u003C\u002Fspan>）","2020-04-25T22:15:15",{"id":177,"version":178,"summary_zh":179,"released_at":180},255611,"v0.0.2","## 预训练模型\n\n|             | 图像裁剪尺寸 | PyTorch | Gluon |\n|-------------|-----------|---------|-------|\n| ResNeSt-50  | 224       | 81.03   | 81.04 |\n| ResNeSt-101 | 256       | 82.83   | 82.81 |\n| ResNeSt-200 | 320       | 83.84   | 83.88 |\n| ResNeSt-269 | 416       | 84.54   | 84.53 |\n\n### PyTorch 模型\n\n- 使用 Torch Hub 加载\n\n```python\nimport torch\n# 获取模型列表\ntorch.hub.list('zhanghang1989\u002FResNeSt', force_reload=True)\n\n# 加载预训练模型，以 ResNeSt-50 为例\nnet = torch.hub.load('zhanghang1989\u002FResNeSt', 'resnest50', pretrained=True)\n```\n\n- 使用 Python 包加载\n\n```python\n# 以 ResNeSt-50 为例\nfrom resnest.torch import resnest50\nnet = resnest50(pretrained=True)\n```\n\n### Gluon 模型\n\n- 加载预训练模型：\n\n```python\n# 以 ResNeSt-50 为例\nfrom resnest.gluon import resnest50\nnet = resnest50(pretrained=True)\n```","2020-04-19T19:25:55"]