ResNet系列和ViT系列预训练模型权重文件下载

已于 2025-04-02 13:14:10 修改
阅读量664 收藏 11
点赞数 7
文章标签： 深度学习 预训练
于 2025-04-02 05:34:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_74213951/article/details/146929317
版权

一、简单介绍

OpenAI CLIP项目提供的预训练模型权重文件列表，主要包含两种架构系列和不同规模配置：

  1. ResNet系列 (RN)

    • 基础版本：RN50（ResNet-50）
    • 扩展版本：RN50x4、RN50x16、RN50x64（宽度扩展）
    • 层级结构：传统卷积神经网络，含残差连接

  2. Vision Transformer系列 (ViT)

    • 基础配置：ViT-B/32（32x32图像块）
    • 高级配置：ViT-L/14（14x14图像块）
    • 高分辨率版：ViT-L/14@336px（输入尺寸336x336）

记得要挂梯子下载，有用的话点个赞喽~

二、下载链接

    "RN50": "https://openaipublic.azureedge.net/clip/models/afeb0e10f9e5a86da6080e35cf09123aca3b358a0c3e3b6c78a7b63bc04b6762/RN50.pt",
    "RN101": "https://openaipublic.azureedge.net/clip/models/8fa8567bab74a42d41c5915025a8e4538c3bdbe8804a470a72f30b0d94fab599/RN101.pt",
    "RN50x4": "https://openaipublic.azureedge.net/clip/models/7e526bd135e493cef0776de27d5f42653e6b4c8bf9e0f653bb11773263205fdd/RN50x4.pt",
    "RN50x16": "https://openaipublic.azureedge.net/clip/models/52378b407f34354e150460fe41077663dd5b39c54cd0bfd2b27167a4a06ec9aa/RN50x16.pt",
    "RN50x64": "https://openaipublic.azureedge.net/clip/models/be1cfb55d75a9666199fb2206c106743da0f6468c9d327f3e0d0a543a9919d9c/RN50x64.pt",
    "ViT-B/32": "https://openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt",
    "ViT-B/16": "https://openaipublic.azureedge.net/clip/models/5806e77cd80f8b59890b7e101eabd078d9fb84e6937f9e85e4ecb61988df416f/ViT-B-16.pt",
    "ViT-L/14": "https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt",
    "ViT-L/14@336px": "https://openaipublic.azureedge.net/clip/models/3035c92b350959924f9f00213499208652fc7ea050643e8b385c2dac08641f02/ViT-L-14-336px.pt",
    "CS-RN50": "https://openaipublic.azureedge.net/clip/models/afeb0e10f9e5a86da6080e35cf09123aca3b358a0c3e3b6c78a7b63bc04b6762/RN50.pt",
    "CS-RN101": "https://openaipublic.azureedge.net/clip/models/8fa8567bab74a42d41c5915025a8e4538c3bdbe8804a470a72f30b0d94fab599/RN101.pt",
    "CS-RN50x4": "https://openaipublic.azureedge.net/clip/models/7e526bd135e493cef0776de27d5f42653e6b4c8bf9e0f653bb11773263205fdd/RN50x4.pt",
    "CS-RN50x16": "https://openaipublic.azureedge.net/clip/models/52378b407f34354e150460fe41077663dd5b39c54cd0bfd2b27167a4a06ec9aa/RN50x16.pt",
    "CS-RN50x64": "https://openaipublic.azureedge.net/clip/models/be1cfb55d75a9666199fb2206c106743da0f6468c9d327f3e0d0a543a9919d9c/RN50x64.pt",
    "CS-ViT-B/32": "https://openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt",
    "CS-ViT-B/16": "https://openaipublic.azureedge.net/clip/models/5806e77cd80f8b59890b7e101eabd078d9fb84e6937f9e85e4ecb61988df416f/ViT-B-16.pt",
    "CS-ViT-L/14": "https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt",
    "CS-ViT-L/14@336px": "https://openaipublic.azureedge.net/clip/models/3035c92b350959924f9f00213499208652fc7ea050643e8b385c2dac08641f02/ViT-L-14-336px.pt"

三、选择小tips

  1. 平衡速度与精度：RN50（最快） ↔ ViT-L/14（最准）
  2. 高分辨率需求：优先选择@336px版本
  3. 数字后缀：
  • RN50x4：4倍通道扩展
  • ViT-B/16：16x16图像块划分
  • @336px：输入图像分辨率
水静川流
关注
ViT和ResNet：计算机视觉预训练模型
AI天才研究院
12-04 1209
引言 在当今快速发展的计算机视觉领域，预训练模型已经成为提高模型性能和泛化能力的重要手段。预训练模型通过在大规模数据集上预先训练，然后再将其应用于特定任务上，从而显著提高了模型的性能。本文将重点探讨两种重要的计算机视觉预训练模型：ViT（Vision Transformer）和ResNet（残差网络）。 首先，我们将简要介绍计算机视觉与预训练模
实战2-ResNet、MobileNet预训练权重
LZL2020LZL的博客
10-15 2093
预训练权重下载
ViT基本原理，图像预训练
AI生成式技术曾小健
06-08 4527
ViT作者团队出品，在CNN和Transformer大火的背景下，舍弃了卷积和注意力机制，提出了MLP-Mixer，一个完全基于MLPs的结构，其MLPs有两种类型，分别是和，前者独立作用于image patches（融合通道信息），后者跨image patches作用（融合空间信息）。实验结果表明该结构和SOTA方法同样出色，证明了convolution和attention不是必要操作，如果将其替换为简单的MLP，模型依然可以完美work。
ResNet50预训练权重文件及配置文件
最新发布
gitblog_06725的博客
05-04 470
ResNet50预训练权重文件及配置文件 【下载地址】ResNet50预训练权重文件及配置文件 ResNet50预训练权重文件及配置文件开源项目为深度学习爱好者提供了强大的图像识别工具。该项目包含ResNet50模型在大规模图像数据集上训练得到的权重文件以及详细的配置文件，可直接应用于各种图像识别任务，显著提升模型训练效...
VIT预训练模型下载与Timm应用
jin3502147015的博客
01-17 510
使用 timm 来加载预训练参数。
resnet预训练权重文件下载resnet50_weights_tf_dim_ordering_tf_kernels.h5
weixin_41963310的博客
11-03 7963
共享给大家resnet50_weights_tf_dim_ordering_tf_kernels.h5的bai度云链接.提取码: tvnu 链接是永久链接，失效了可以评论，我会及时进行更新。
ViT pre-trained models 预训练模型下载
热门推荐
whwhjy的博客
10-18 1万+
自己在网上找后缀为pth的VIT预训练模型花了很长时间，现在上传到百度网盘，提供给有需要的人。因为自己需要，我只下载了imagenet21k+imagenet2012_ViT-B_16-224和imagenet21k+imagenet2012_ViT-B_16两个base的，其他的请自行翻越去Google网盘中下载，指路：https://drive.google.com/drive/folders/1azgrD1P413pXLJME0PjRRU-Ez-4GWN-Shttps://drive.google.c
基于阿里对象存储--Elasticsearch备份和回滚
donghaixiaolongwang的博客
11-29 667
链接：https://pan.baidu.com/s/1JvjMOIKooL5TRvDt-anJ3Q 提取码：d6ym 复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V4的分享
Resnet 50 权重文件
12-02
Deeper neural networks are more difficult to train. We present a residual learning framework to ease the training of networks that are substantially deeper than those used previously. We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of learning unreferenced functions. We provide comprehensive empirical evidence showing that these residual networks are easier to optimize, and can gain accuracy from considerably increased depth. On the ImageNet dataset we evaluate residual nets with a depth of up to 152 layers---8x deeper than VGG nets but still having lower complexity. An ensemble of these residual nets achieves 3.57% error on the ImageNet test set. This result won the 1st place on the ILSVRC 2015 classification task. We also present analysis on CIFAR-10 with 100 and 1000 layers. The depth of representations is of central importance for many visual recognition tasks. Solely due to our extremely deep representations, we obtain a 28% relative improvement on the COCO object detection dataset. Deep residual nets are foundations of our submissions to ILSVRC & COCO 2015 competitions, where we also won the 1st places on the tasks of ImageNet detection, ImageNet localization, COCO detection, and COCO segmentation.
resnet预训练模型和vit预训练模型
02-19
### ResNet 预训练模型对比 ViT 预训练模型 #### 训练方式的区别 ResNet 和 ViT 的预训练过程存在显著不同。ViT 模型倾向于采用自监督预训练加有监督微调的方式，其中自监督预训练阶段利用大量无标签图像数据，...
PyTorch加载预训练模型实例(pretrained)
09-18
在深度学习领域，预训练模型是一种非常重要的工具，它们是在大规模数据集上预先训练好的模型，可以在新的任务中提供良好的初始权重，从而加速学习过程并提高性能。PyTorch 是一个广泛使用的深度学习框架，提供了丰富...
ResNet模型权重.zip
08-13
适用于pytorch的网络模型ResNet的模型权重 resnet101-5d3b4d8f.pth resnet152-b121ed2d.pth resnet18-5c106cde.pth resnet34-333f7ec4.pth resnet50-19c8e357.pth resnext101_32x8d-8ba56ff5.pth resnext50_32x4d-7cdf4587.pth 调用方法： model = models.resnet50(pretrained=False) model.load_state_dict(torch.load('weight/resnet50/resnet50-19c8e357.pth')) model.fc = nn.Linear(model.fc.in_features, CLASS_NUM) pretrained表示不下载权重，若用于图片分类，可以在后面加多一层，用来输出CLASS_NUM个结果，即CLASS_NUM个类别
经典神经网络resnet101预训练权重文件
01-26
经典神经网络resnet101预训练权重文件
resnet50预训练权重文件和cfg文件
12-04
resnet50预训练权重文件和cfg文件
残差网络resnet50的深度学习模型权重文件
11-15
残差网络resnet50的深度学习模型权重文件，可作为预训练模型，提升学习效率
vision-transformer-pytorch:带有预训练模型的Pytorch版本的Vision Transformer（ViT）。 这是CASL（https
04-13
视觉变压器-火炬 视觉变压器的Pytorch实现。 提供了预先训练的pytorch权重，这些权重是从原始jax /亚麻权重转换而来的。 这是和的项目。 介绍 Pytorch实施的论文 。 我们提供从预训练的jax /亚麻模型转换而来的预训练的pytorch权重。 我们还提供微调和评估脚本。 获得了与类似的结果。 安装 创建环境： conda create --name vit --file requirements.txt conda activate vit 可用型号 我们提供，这些是从原始jax / flax wieghts转换而来的。 您可以下载它们并将文件放在“ weights / pytorch”下以使用它们。 否则，您可以下载，并将这些帧放在“ weights / jax”下以使用它们。 我们将在线为您转换权重。 数据集 当前支持三个数据集：ImageNet2012，CI
【Pytorch 第一讲】 如何加载预训练模型
挪威的深林的博客
01-25 1595
导入 PyTorch# 初始化你的模型# 加载预训练权重# 或者当完成这个加载以后， 可以考虑打开 checkpoint , 看看该模型保存时，包含哪些dict keys.结果： dict_keys(['epoch', 'arch', 'state_dict',根据上面的 state_dict， 可以接下来用来将权重赋予模型Model# 将权重赋值给模型。
pytorch-image-models:PyTorch图像模型，脚本，预训练权重-ResNet，ResNeXT，EfficientNet，EfficientNetV2，NFNet，视觉转换器，MixNet，MobileNet-V3V2，RegNet，DPN，CSPNet等
05-12
从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加...
ResNet50预训练权重文件说明
gitblog_06527的博客
10-31 1087
ResNet50预训练权重文件说明 【下载地址】ResNet50预训练权重文件说明分享 本仓库提供了ResNet50模型的预训练权重文件，文件名为 `resnet50_weights_tf_dim_ordering_tf_kernels.h5`。此权重文件适用于使用TensorFlow编写的深度学习项目，尤其是那些依赖于...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值