نُشر هذا النموذج في أوراق HF في 10-12-2015، وأُضيف إلى مكتبة Hugging Face Transformers في 14-03-2022.

ResNet

نظرة عامة

قُدِّم نموذج ResNet في Deep Residual Learning for Image Recognition بواسطة Kaiming He وXiangyu Zhang وShaoqing Ren وJian Sun. تتبع تنفيعتنا التعديلات الصغيرة التي أجراها Nvidia، حيث نطبّق stride=2 لعملية تقليل الحجم في طبقة الالتفاف 3x3 الخاصة بـ bottleneck وليس في طبقة 1x1 الأولى. ويُعرف هذا النهج بشكل عام باسم “ResNet v1.5”.

قدّم ResNet اتصالات متبقية، تتيح تدريب شبكات بعدد غير مسبوق من الطبقات (حتى 1000). فاز ResNet بمسابقة ILSVRC & COCO لعام 2015، وهو إنجاز مهم في مجال الرؤية الحاسوبية العميقة.

المستخلص من الورقة البحثية هو كالتالي:

تُعد الشبكات العصبية الأعمق أكثر صعوبة في التدريب. نقدم إطارًا للتعلم المتبقي لتسهيل تدريب الشبكات التي تكون أعمق بكثير من تلك المستخدمة سابقًا. نعيد صياغة الطبقات صراحةً على أنها تتعلم دوالًا متبقية مع الإشارة إلى مدخلات الطبقة، بدلاً من تعلم دوال غير مرجعية. نقدم أدلة تجريبية شاملة تُظهر أن هذه الشبكات المتبقية أسهل في التحسين، ويمكنها تحقيق دقة أعلى من خلال زيادة كبيرة في العمق. على مجموعة بيانات ImageNet، نقيّم الشبكات المتبقية بعمق يصل إلى 152 طبقة، أي أعمق بثمانية أضعاف من شبكات VGG ومع ذلك تعقيد أقل. يحقق تجميع من هذه الشبكات المتبقية خطأً بنسبة 3.57% على مجموعة اختبار ImageNet. فاز هذا النتيجة بالمركز الأول في مهمة التصنيف في ILSVRC 2015. كما نقدم تحليلًا على CIFAR-10 باستخدام 100 و1000 طبقة. يُعد عمق التمثيلات ذا أهمية مركزية للعديد من مهام التعرف البصري. بفضل تمثيلاتنا العميقة للغاية فقط، نحقق تحسينًا نسبيًا بنسبة 28% على مجموعة بيانات COCO للكشف عن الكائنات. تُعد الشبكات المتبقية العميقة أساسًا لمشاركاتنا في مسابقات ILSVRC & COCO 2015، حيث فزنا أيضًا بالمراكز الأولى في مهام كشف ImageNet، وتحديد موقع ImageNet، وكشف COCO، وتجزئة COCO.

يوضح الشكل أدناه بنية ResNet. مأخوذة من الورقة الأصلية.

تمت مساهمة هذا النموذج من قِبل Francesco. يمكن العثور على الكود الأصلي هنا.

الموارد

قائمة بموارد رسمية من Hugging Face وموارد مجتمعية (مشار إليها بـ 🌎) لمساعدتك على البدء مع ResNet.

• يُؤمّن ResNetForImageClassification دعمًا لهذا دفتر الملاحظات.
• انظر أيضاً: دليل مهمة تصنيف الصور

إذا كنت مهتمًا بتقديم مورد ليُدرج هنا، فلا تتردد في فتح طلب سحب وسنقوم بمراجعته! يُفضَّل أن يُظهر المورد شيئًا جديدًا بدلاً من تكرار مورد موجود مسبقًا.

ResNetConfig

>>> from transformers import ResNetConfig, ResNetModel

>>> # Initializing a ResNet resnet-50 style configuration
>>> configuration = ResNetConfig()

>>> # Initializing a model (with random weights) from the resnet-50 style configuration
>>> model = ResNetModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

ResNetModel

ResNetForImageClassification

>>> from transformers import AutoImageProcessor, ResNetForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/resnet-50")
>>> model = ResNetForImageClassification.from_pretrained("microsoft/resnet-50")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
...