同步操作将从 MindSpore/models 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
为了让开发者更好地体验MindSpore框架优势,我们将陆续增加更多的典型网络和相关预训练模型。如果您对ModelZoo有任何需求,请通过Gitee或MindSpore与我们联系,我们将及时处理。
使用最新MindSpore API的SOTA模型
MindSpore优势
官方维护和支持
领域 | 子领域 | 网络 | Ascend | GPU | CPU |
---|---|---|---|---|---|
计算机视觉(CV) | 图像分类(Image Classification) | AlexNet | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | CNN | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | DenseNet100 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | DenseNet121 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | DPN | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | EfficientNet-B0 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | GoogLeNet | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | InceptionV3 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | InceptionV4 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | LeNet | ✅ | ✅ | ✅ |
计算机视觉(CV) | 图像分类(Image Classification) | LeNet(量化) | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | MobileNetV1 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | MobileNetV2 | ✅ | ✅ | ✅ |
计算机视觉(CV) | 图像分类(Image Classification) | MobileNetV2(量化) | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | MobileNetV3 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | NASNet | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | ResNet-18 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | ResNet-50 | ✅ | ✅ | ✅ |
计算机视觉(CV) | 图像分类(Image Classification) | ResNet-50(量化) | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | ResNet-101 | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | ResNeXt50 | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | SE-ResNet50 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | ShuffleNetV1 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | ShuffleNetV2 | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | SqueezeNet | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | Tiny-DarkNet | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | VGG16 | ✅ | ✅ | |
计算机视觉(CV) | 图像分类(Image Classification) | Xception | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | CenterFace | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | CTPN | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | Faster R-CNN | ✅ | ✅ | |
计算机视觉(CV) | 目标检测(Object Detection) | Mask R-CNN | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | Mask R-CNN (MobileNetV1) | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | RetinaFace-ResNet50 | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | SSD | ✅ | ✅ | ✅ |
计算机视觉(CV) | 目标检测(Object Detection) | SSD-MobileNetV1-FPN | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | SSD-Resnet50-FPN | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | SSD-VGG16 | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | WarpCTC | ✅ | ✅ | |
计算机视觉(CV) | 目标检测(Object Detection) | YOLOv3-ResNet18 | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | YOLOv3-DarkNet53 | ✅ | ✅ | |
计算机视觉(CV) | 目标检测(Object Detection) | YOLOv3-DarkNet53(量化) | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | YOLOv4 | ✅ | ||
计算机视觉(CV) | 文本检测(Text Detection) | DeepText | ✅ | ||
计算机视觉(CV) | 文本检测(Text Detection) | PSENet | ✅ | ||
计算机视觉(CV) | 文本识别(Text Recognition) | CNN+CTC | ✅ | ||
计算机视觉(CV) | 语义分割(Semantic Segmentation) | DeepLabV3 | ✅ | ✅ | |
计算机视觉(CV) | 语义分割(Semantic Segmentation) | U-Net2D (Medical) | ✅ | ||
计算机视觉(CV) | 语义分割(Semantic Segmentation) | U-Net3D (Medical) | ✅ | ||
计算机视觉(CV) | 语义分割(Semantic Segmentation) | U-Net++ | ✅ | ||
计算机视觉(CV) | 关键点检测(Keypoint Detection) | OpenPose | ✅ | ||
计算机视觉(CV) | 关键点检测(Keypoint Detection) | SimplePoseNet | ✅ | ||
计算机视觉(CV) | 光学字符识别(Optical Character Recognition) | CRNN | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | BERT | ✅ | ✅ | |
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | FastText | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | GNMT v2 | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | GRU | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | MASS | ✅ | ✅ | |
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | SentimentNet | ✅ | ✅ | ✅ |
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | Transformer | ✅ | ✅ | |
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | TinyBERT | ✅ | ✅ | |
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | TextCNN | ✅ | ||
推荐(Recommender) | 推荐系统、点击率预估(Recommender System, CTR prediction) | DeepFM | ✅ | ✅ | ✅ |
推荐(Recommender) | 推荐系统、搜索、排序(Recommender System, Search, Ranking) | Wide&Deep | ✅ | ✅ | |
推荐(Recommender) | 推荐系统(Recommender System) | NAML | ✅ | ||
推荐(Recommender) | 推荐系统(Recommender System) | NCF | ✅ | ||
图神经网络(GNN) | 文本分类(Text Classification) | GCN | ✅ | ||
图神经网络(GNN) | 文本分类(Text Classification) | GAT | ✅ | ||
图神经网络(GNN) | 推荐系统(Recommender System) | BGCF | ✅ |
领域 | 子领域 | 网络 | Ascend | GPU | CPU |
---|---|---|---|---|---|
计算机视觉(CV) | 图像分类(Image Classification) | FaceAttributes | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | FaceDetection | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | FaceQualityAssessment | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | FaceRecognition | ✅ | ||
计算机视觉(CV) | 图像分类(Image Classification) | FaceRecognitionForTracking | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | Spnas | ✅ | ||
计算机视觉(CV) | 目标检测(Object Detection) | SSD-GhostNet | ✅ | ||
计算机视觉(CV) | 关键点检测(Key Point Detection) | CenterNet | ✅ | ✅ | |
计算机视觉(CV) | 图像风格迁移(Image Style Transfer) | CycleGAN | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | DS-CNN | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | TextRCNN | ✅ | ||
自然语言处理(NLP) | 自然语言理解(Natural Language Understanding) | TPRR | ✅ | ||
推荐(Recommender) | 推荐系统、点击率预估(Recommender System, CTR prediction) | AutoDis | ✅ | ||
语音(Audio) | 音频标注(Audio Tagging) | FCN-4 | ✅ | ||
高性能计算(HPC) | 分子动力学(Molecular Dynamics) | DeepPotentialH2O | ✅ | ||
高性能计算(HPC) | 海洋模型(Ocean Model) | GOMO | ✅ |
models
独立建仓models
仓库由原mindspore仓库的model_zoo目录独立分离而来,新仓库不继承历史commit记录,如果需要查找历史提2021.9.15之前的提交,请到mindspore仓库进行查询。
这里是MindSpore框架提供的可以运行于包括Ascend/GPU/CPU/移动设备等多种设备的模型库。
相应的专属于Ascend平台的多框架模型可以参考昇腾ModelZoo以及对应的代码仓。
MindSpore相关的预训练模型可以在MindSpore hub或下载中心.
MindSpore仅提供下载和预处理公共数据集的脚本。我们不拥有这些数据集,也不对它们的质量负责或维护。请确保您具有在数据集许可下使用该数据集的权限。在这些数据集上训练的模型仅用于非商业研究和教学目的。
致数据集拥有者:如果您不希望将数据集包含在MindSpore中,或者希望以任何方式对其进行更新,我们将根据要求删除或更新所有公共内容。请通过GitHub或Gitee与我们联系。非常感谢您对这个社区的理解和贡献。
MindSpore已获得Apache 2.0许可,请参见LICENSE文件。
想要获取更多关于MindSpore
框架使用本身的FAQ问题的,可以参考官网FAQ
Q: 直接使用models下的模型出现内存不足错误,例如Failed to alloc memory pool memory, 该怎么处理?
A: 直接使用models下的模型出现内存不足的典型原因是由于运行模式(PYNATIVE_MODE
)、运行环境配置、License控制(AI-TOKEN)的不同造成的:
PYNATIVE_MODE
通常比GRAPH_MODE
使用更多内存,尤其是在需要进行反向传播计算的训练图中,当前有2种方法可以尝试解决该问题。
方法1:你可以尝试使用一些更小的batch size;
方法2:添加context.set_context(mempool_block_size="XXGB"),其中,“XX”当前最大有效值可设置为“31”。
如果将方法1与方法2结合使用,效果会更好。Q: 一些网络运行中报错接口不存在,例如cannot import,该怎么处理?
A: 优先检查一下获取网络脚本的分支,与所使用的MindSpore版本是否一致,部分新分支中的模型脚本会使用一些新版本MindSpore才支持的接口,从而在使用老版本MindSpore时会发生报错.
Q: 在windows环境上要怎么运行网络脚本?
A: 多数模型都是使用bash作为启动脚本,在Windows环境上无法直接使用bash命令,你可以考虑直接运行python命令而不是bash启动脚本 ,如果你确实想需要使用bash脚本,你可以考虑使用以下几种方法来运行模型:
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。