Description
SqueezeNet est une architecture de réseau neuronal convolutif compacte et efficace conçue pour atteindre une grande précision avec un nombre réduit de paramètres et une taille de modèle diminuée. Développé par PyTorch, ce modèle est particulièrement bénéfique pour les applications où les ressources informatiques sont limitées ou où une inférence rapide est cruciale.
Lire la suite
L'architecture SqueezeNet s'inspire d'AlexNet mais réduit considérablement le nombre de paramètres tout en maintenant une précision compétitive. Cette efficacité est obtenue grâce à un "module fire" qui se compose d'une couche de convolution squeeze suivie d'une couche expand. Cette conception permet une réduction significative de la taille du modèle, avec des versions comme squeezenet1_0 et squeezenet1_1 pesant moins de 0,5 Mo.
PyTorch offre un accès facile aux modèles SqueezeNet pré-entraînés, tels que squeezenet1_0 et squeezenet1_1, qui sont entraînés sur le jeu de données ImageNet. Ces modèles peuvent être chargés directement à l'aide de `torch.hub.load` et sont prêts à être utilisés dans des tâches de classification d'images. Les modèles pré-entraînés attendent des images d'entrée normalisées avec des valeurs de moyenne et d'écart type spécifiques, et redimensionnées à au moins 224x224 pixels.
Le modèle est scriptable et peut être déployé dans divers environnements. Sa faible empreinte et ses hautes performances le rendent adapté à un large éventail d'applications de vision par ordinateur, y compris la reconnaissance d'images, la détection d'objets et l'extraction de caractéristiques, en particulier sur les appareils embarqués ou dans des scénarios avec des contraintes de bande passante. La disponibilité de poids pré-entraînés accélère encore le développement et le déploiement.
L'efficacité de SqueezeNet est mise en évidence par ses métriques de performance sur le jeu de données ImageNet. Par exemple, squeezenet1_0 a un taux d'erreur Top-1 de 41,90 % et un taux d'erreur Top-5 de 19,58 %. SqueezeNet1_1 offre une efficacité de calcul encore plus grande avec légèrement moins de paramètres et une réduction de 2,4x du calcul par rapport à squeezenet1_0, sans sacrifier la précision. Cela en fait un excellent choix pour les développeurs recherchant un équilibre entre performance et utilisation des ressources.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Points forts de SqueezeNet
Atteint une précision de niveau AlexNet
Beaucoup moins de paramètres que les modèles traditionnels
Taille du modèle inférieure à 0,5 Mo
Pré-entraîné sur le jeu de données ImageNet
Intégration facile avec PyTorch
Architecture de modèle scriptable
Prend en charge les variantes squeezenet1_0 et squeezenet1_1
Efficace pour les environnements aux ressources limitées
Adapté aux tâches de classification d'images
Fournit des exigences d'entrée normalisées pour les images
Offre des scores de probabilité pour les 1000 classes d'ImageNet
Premiers pas avec SqueezeNet
Accéder au modèle : Charger SqueezeNet en utilisant `torch.hub.load` depuis le PyTorch Hub.
Configurer l'environnement : S'assurer que PyTorch et torchvision sont installés.
Charger les poids pré-entraînés : Spécifier la variante du modèle (par exemple, 'squeezenet1_0') et définir `pretrained=True`.
Préparer les données d'entrée : Charger et prétraiter les images, en les normalisant avec la moyenne et l'écart type spécifiés.
Intégrer via l'API : Passer le tenseur d'entrée prétraité au modèle SqueezeNet chargé.
Optimiser pour la vitesse : Déplacer le lot d'entrée et le modèle vers le GPU si disponible pour une inférence plus rapide.
Cas d'utilisation de SqueezeNet
- Classification d'images
- Informatique embarquée (Edge Computing)
- Applications mobiles
- Analyse en temps réel
- Extraction de caractéristiques
- IA aux ressources limitées
