开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
图像技术
文字识别
人脸与人体识别
视频技术
AR与VR
自然语言处理
知识图谱
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
智能农业
信息服务
智能园区
智能硬件
BML 全功能AI开发平台

    网络选型参考

    图像分类任务网络选型参考

    • 大多数情况建议使用 ResNet50和SE-ResNeXt50,模型效果稳定,并且预测时间较短。SE-ResNeXt50相比ResNet50增加了SE模块,能进一步提高准确率,但是预测时间稍有增加
    • 当数据量较大并且要求更高的准确率时,建议从 ResNet101,ResNeXt101_32x16d_wsl,Xception71,Res2Net101_vd_26w_4s,SE-ResNeXt101,EffcientNetB4 中选择模型,预测时间相比ResNet50会更长
    • 如果要求预测时间或模型体积尽量小时,建议使用 MobileNetV2,MobileNetV3_large_xi_0,ResNet18_vd,EffcientNetB0_small,SE_ResNet18_vd,
    • 如果数据量不大,由于模型复杂度较大,一般情况不建议使用NASNet

    物体检测任务网络选型参考

    • 如果重视预测速度,优先使用 SSD-MobileNetV1,YOLOv3-MobileNetV1
    • 如果重视模型精度,优先使用 YOLOv3-ResNet50vd_DCN,Faster_R-CNN-ResNet50-FPN,RetinaNet-ResNet50-FPN,Cascade Faster-ResNet50-FPN
    • 如果在预测速度和模型精度上折中,可以使用 YOLOv3-DarkNet

    实例分割任务网络选型参考

    • 大多数情况建议使用 Mask_RCNN-ResNet50-VD-FPN,模型效果稳定,预测时间适中
    • 当重视模型精度时,优先使用 Cascade_Mask_RCNN-RestNet50-FPN
    上一篇
    视觉预训练模型
    下一篇
    数据增强算子参考