الوصف
SqueezeNet هو بنية شبكة عصبية تلافيفية مدمجة وفعالة مصممة لتحقيق دقة عالية مع عدد مخفض من المعلمات وحجم النموذج. تم تطوير هذا النموذج بواسطة PyTorch، وهو مفيد بشكل خاص للتطبيقات التي تكون فيها الموارد الحسابية محدودة أو حيث يكون الاستدلال السريع أمرًا بالغ الأهمية.
قراءة المزيد
تستلهم بنية SqueezeNet من AlexNet ولكنها تقلل بشكل كبير من عدد المعلمات مع الحفاظ على دقة تنافسية. يتم تحقيق هذه الكفاءة من خلال "وحدة النار" التي تتكون من طبقة تلافيفية للضغط تليها طبقة توسيع. يسمح هذا التصميم بتقليل كبير في حجم النموذج، مع إصدارات مثل squeezenet1_0 و squeezenet1_1 التي يقل حجمها عن 0.5 ميجابايت.
يوفر PyTorch وصولاً سهلاً إلى نماذج SqueezeNet المدربة مسبقًا، مثل squeezenet1_0 و squeezenet1_1، والتي تم تدريبها على مجموعة بيانات ImageNet. يمكن تحميل هذه النماذج مباشرة باستخدام `torch.hub.load` وهي جاهزة للاستخدام في مهام تصنيف الصور. تتوقع النماذج المدربة مسبقًا صور الإدخال التي تم تطبيعها بقيم متوسط وانحراف معياري محددة، وتم تغيير حجمها إلى 224x224 بكسل على الأقل.
يمكن برمجة النموذج ونشره في بيئات مختلفة. إن حجمه الصغير وأدائه العالي يجعله مناسبًا لمجموعة واسعة من تطبيقات رؤية الكمبيوتر، بما في ذلك التعرف على الصور، واكتشاف الكائنات، واستخراج الميزات، خاصة على الأجهزة الطرفية أو في السيناريوهات ذات قيود عرض النطاق الترددي. يسرع توفر الأوزان المدربة مسبقًا من عملية التطوير والنشر.
تُبرز كفاءة SqueezeNet من خلال مقاييس أدائه على مجموعة بيانات ImageNet. على سبيل المثال، يبلغ معدل خطأ Top-1 لـ squeezenet1_0 نسبة 41.90٪ ومعدل خطأ Top-5 نسبة 19.58٪. يوفر SqueezeNet1_1 كفاءة حسابية أكبر مع عدد أقل قليلاً من المعلمات وتقليل في الحساب بمقدار 2.4 مرة مقارنة بـ squeezenet1_0، دون التضحية بالدقة. هذا يجعله خيارًا ممتازًا للمطورين الذين يبحثون عن توازن بين الأداء واستخدام الموارد.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
أبرز ملامح SqueezeNet
يحقق دقة تضاهي AlexNet
عدد أقل بكثير من المعلمات مقارنة بالنماذج التقليدية
حجم النموذج أقل من 0.5 ميجابايت
مدرب مسبقًا على مجموعة بيانات ImageNet
تكامل سهل مع PyTorch
بنية نموذج قابلة للبرمجة
يدعم كلا الإصدارين squeezenet1_0 و squeezenet1_1
فعال للبيئات ذات الموارد المحدودة
مناسب لمهام تصنيف الصور
يوفر متطلبات إدخال مطبعة للصور
يقدم درجات احتمالية لفئات ImageNet الـ 1000
البدء مع SqueezeNet
الوصول إلى النموذج: تحميل SqueezeNet باستخدام `torch.hub.load` من PyTorch Hub.
إعداد البيئة: تأكد من تثبيت PyTorch و torchvision.
تحميل الأوزان المدربة مسبقًا: حدد إصدار النموذج (مثل 'squeezenet1_0') واضبط `pretrained=True`.
إعداد بيانات الإدخال: تحميل ومعالجة الصور، وتطبيعها بالمتوسط والانحراف المعياري المحددين.
التكامل عبر API: قم بتمرير موتر الإدخال المعالج مسبقًا إلى نموذج SqueezeNet المحمل.
التحسين للسرعة: انقل دفعة الإدخال والنموذج إلى وحدة معالجة الرسومات (GPU) إذا كانت متاحة للاستدلال الأسرع.
حالات استخدام SqueezeNet
- تصنيف الصور
- الحوسبة الطرفية
- تطبيقات الهاتف المحمول
- التحليل في الوقت الفعلي
- استخراج الميزات
- الذكاء الاصطناعي المقيد بالموارد
