ConvNeXt飞桨版本预训练权重

---

本项目提供了ConvNeXt的飞桨版本的预训练权重以及模型文件。权重由PyTorch转换而来。并且通过在ImageNet 1K测试集进行精度校验。模型文件请见ConvNeXt.py。本项目旨在提供飞桨版本的模型权重、模型文件和验证精度，对于模型的理解并没有描述，如果想深入了解模型，请见： ConvNeXt：探索CNN网络的极限潜力

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

项目简介

本项目提供了ConvNeXt的飞桨版本的预训练权重以及模型文件。权重由PyTorch转换而来。并且通过在ImageNet 1K测试集进行精度校验。模型文件请见ConvNeXt.py。本项目旨在提供飞桨版本的模型权重、模型文件和验证精度，对于模型的理解并没有描述，如果想深入了解模型，请见： ConvNeXt：探索CNN网络的极限潜力

ConvNeXt

模型文件请见ConvNeXt.py, 下面说一下PyTorch模型转换PaddlePaddle模型的注意事项。

• 线性层PyTorch与PaddlePaddle的权重转换需要转置一下
• DropPath层需要自定义。我是参考了这篇文章 PiT：结合池化层的视觉 Transformer 网络
• PaddlePaddle在涉及维度的参数时，多用axis，PyTorch则是dim
• 有时需要自定义参数，PaddlePaddle的API在这里
• PaddlePaddle无permute，而是采用了transpose
• 其他简单的API映射请见这里

在这个py文件的第134和135行，给weight和bias乘了一个1，也就是没有做什么处理，这个是PyTorch的写法，PaddlePaddle的写法我还不会，麻烦知道的大佬回复一下。

权重

这里介绍一下本次精度验证的权重文件，总共有5个，分别代表了不同大小和版本的ConvNeXt。 首先来总览一下。

name	resolution	acc@1	#params	FLOPs
ConvNeXt-T	224x224	82.1	28M	4.5G
ConvNeXt-S	224x224	83.1	50M	8.7G
ConvNeXt-B	224x224	83.8	89M	15.4G
ConvNeXt-L	224x224	84.3	198M	34.4G
ConvNeXt-XL	384x384	87.8	350M	179.0G

由于文件数量限制，这里只展示这5个不同版本，以及做精度验证。22K上的权重将放在其他数据集里在这里。这个项目用的数据集在ConvNeXt预训练模型PaddlePaddle版本里，欢迎大家下载使用。下面来做精度验证8！

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

精度验证

以下精度验证代码参考寂寞你快进去大佬的写法。

In [1]

# 解压ImageNet 1K数据集!mkdir data/ILSVRC2012
!tar -xf ~/data/data68594/ILSVRC2012_img_val.tar -C ~/data/ILSVRC2012

    In [2]

import osimport cv2import numpy as npimport warningsimport paddleimport paddle.vision.transforms as Tfrom PIL import Image
warnings.filterwarnings('ignore')# 构建数据集class ILSVRC2012(paddle.io.Dataset):
    def __init__(self, root, label_list, transform, backend='pil'):
        self.transform = transform
        self.root = root
        self.label_list = label_list
        self.backend = backend
        self.load_datas()    def load_datas(self):
        self.imgs = []
        self.labels = []        with open(self.label_list, 'r') as f:            for line in f:
                img, label = line[:-1].split(' ')
                self.imgs.append(os.path.join(self.root, img))
                self.labels.append(int(label))    def __getitem__(self, idx):
        label = self.labels[idx]
        image = self.imgs[idx]        if self.backend=='cv2':
            image = cv2.imread(image)        else:
            image = Image.open(image).convert('RGB')
        image = self.transform(image)        return image.astype('float32'), np.array(label).astype('int64')    def __len__(self):
        return len(self.imgs)


val_transforms = T.Compose([
    T.Resize(int(224 / 0.96), interpolation='bicubic'),
    T.CenterCrop(224),
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

    In [3]

# 配置模型from ConvNeXt import convnext_tiny, convnext_small, convnext_base, convnext_large, convnext_xlarge

cvt_t = convnext_tiny()
cvt_s = convnext_small()
cvt_b = convnext_base()
cvt_l = convnext_large()
cvt_x = convnext_xlarge()

       

W0211 21:12:49.976547   686 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0211 21:12:49.982038   686 device_context.cc:465] device: 0, cuDNN Version: 7.6.

        In [4]

cvt_t.load_dict(paddle.load('data/data127804/convnext_tiny_1k_224_ema.pdparams'))
cvt_t = paddle.Model(cvt_t)
cvt_t.prepare(metrics=paddle.metric.Accuracy(topk=(1, 5)))

cvt_s.load_dict(paddle.load('data/data127804/convnext_small_1k_224_ema.pdparams'))
cvt_s = paddle.Model(cvt_s)
cvt_s.prepare(metrics=paddle.metric.Accuracy(topk=(1, 5)))

cvt_b.load_dict(paddle.load('data/data127804/convnext_base_1k_224_ema.pdparams'))
cvt_b = paddle.Model(cvt_b)
cvt_b.prepare(metrics=paddle.metric.Accuracy(topk=(1, 5)))

cvt_l.load_dict(paddle.load('data/data127804/convnext_large_1k_224_ema.pdparams'))
cvt_l = paddle.Model(cvt_l)
cvt_l.prepare(metrics=paddle.metric.Accuracy(topk=(1, 5)))

cvt_x.load_dict(paddle.load('data/data127804/convnext_xlarge_22k_1k_384_ema.pdparams'))
cvt_x = paddle.Model(cvt_x)
cvt_x.prepare(metrics=paddle.metric.Accuracy(topk=(1, 5)))

    In [5]

val_dataset = ILSVRC2012('data/ILSVRC2012', transform=val_transforms, label_list='data/data68594/val_list.txt', backend='pil')# 模型验证acc = cvt_t.evaluate(val_dataset, batch_size=128, num_workers=0, verbose=1)print(acc)

       

Eval begin...
step 391/391 [==============================] - acc_top1: 0.8199 - acc_top5: 0.9588 - 1s/step          
Eval samples: 50000
{'acc_top1': 0.81992, 'acc_top5': 0.9588}

        In [6]

val_dataset = ILSVRC2012('data/ILSVRC2012', transform=val_transforms, label_list='data/data68594/val_list.txt', backend='pil')# 模型验证acc = cvt_s.evaluate(val_dataset, batch_size=128, num_workers=0, verbose=1)print(acc)

       

Eval begin...
step 391/391 [==============================] - acc_top1: 0.8308 - acc_top5: 0.9652 - 1s/step          
Eval samples: 50000
{'acc_top1': 0.83078, 'acc_top5': 0.96516}

        In [7]

val_dataset = ILSVRC2012('data/ILSVRC2012', transform=val_transforms, label_list='data/data68594/val_list.txt', backend='pil')# 模型验证acc = cvt_b.evaluate(val_dataset, batch_size=128, num_workers=0, verbose=1)print(acc)

       

Eval begin...
step 391/391 [==============================] - acc_top1: 0.8384 - acc_top5: 0.9683 - 2s/step          
Eval samples: 50000
{'acc_top1': 0.8384, 'acc_top5': 0.9683}

        In [7]

val_dataset = ILSVRC2012('data/ILSVRC2012', transform=val_transforms, label_list='data/data68594/val_list.txt', backend='pil')# 模型验证acc = cvt_l.evaluate(val_dataset, batch_size=128, num_workers=0, verbose=1)print(acc)

       

Eval begin...
step 391/391 [==============================] - acc_top1: 0.8435 - acc_top5: 0.9697 - 2s/step          
Eval samples: 50000
{'acc_top1': 0.84346, 'acc_top5': 0.9697}

        In [5]

# resize到384val384_transforms = T.Compose([
    T.Resize((384, 384), interpolation='bicubic'),  #  T.CenterCrop(224),
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

    In [6]

val_dataset = ILSVRC2012('data/ILSVRC2012', transform=val384_transforms, label_list='data/data68594/val_list.txt', backend='pil')# 模型验证acc = cvt_x.evaluate(val_dataset, batch_size=128, num_workers=0, verbose=1)print(acc)

       

Eval begin...
step 391/391 [==============================] - acc_top1: 0.8775 - acc_top5: 0.9856 - 5s/step          
Eval samples: 50000
{'acc_top1': 0.8775, 'acc_top5': 0.98556}

       

总结

部分模型的准确率有点点不一样是不能避免的，PyTorch转PaddlePaddle的过程或者数据处理的过程都会有一点点不一样。但是总的来说，并没有大的不同，所以模型转换是成功的。

ConvNeXt算是最强的卷积分类网络了。在现有Transformer统治的情况下，ConvNeXt仍然以极强的建模能力为卷积网络扳回一城。不过说实话，卷积比Transformer好的一点且无法代替的一点就是卷积的输入可以是任何尺度，Transformer则较为麻烦。

以上就是ConvNeXt飞桨版本预训练权重的详细内容，更多请关注其它相关文章！

# 如何使用  # 在线关键词排名哪家便宜  # 白城手机网站建设  # 日喀则网站推广优化  # 定州市网站推广哪家实惠  # 营销推广算广告吗吗  # 鞍山seo查询公司  # 睢宁网站推广优势  # 墙绘推广视频素材网站  # 广州seo佰蜂牛  # 培训网站建设哪家专业  # type  # 自定义  # 中文网  # 一台  # 腾讯  # 而来  # 在这里  # 明基  # 大佬  # 请见 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： AYANEO 安卓掌机 Pocket AIR 配置公布：天玑 1200 + 5.5 英寸屏  华为4G5G通信物联网收费标准公布，多年研发成果，十年花费近万亿  联想首发AI PC于今年秋季，英特尔CEO确认AI PC时代来临  AI技术改变*，新骗局来袭，*成功率接近100%  映宇宙集团执行总编辑：元宇宙还是要以人为媒介  中美陷入囚徒困境，人工智能变得不可控？可参考核不扩散条约规范  苹果2万5的AR遭遇砍单95%：不及预期  争鸣：OpenAI奥特曼、Hinton、杨立昆的AI观点到底有何不同？  618京东3C数码趋势产品备受青睐 AR设备成交额同比增长15倍  北交大推出国内首个开源交通大模型TransGPT，可免费商用  AI教父Bengio：我感到迷失，对AI担忧已成「精神内耗」！  科学家称，面对人工智能，人类未来或只有灭亡与虚拟永生两个选择  软银、淡马锡、沙特阿美突击入股，“协作机器人第一股”节卡股份：强敌环伺，持续失血是常态  微软Xbox称VR和AR还需要时间 先玩大的  特斯拉人形机器人将于 7 月亮相上海 2025 世界人工智能大会  用人工智能技术，亚马逊为用户生成产品评论摘要，帮助他们轻松选购  你们的开机第一屏画面要变了！安卓机器人首次3D化  中国电信AI能力通过国家级金融领域权威认证并荣膺AI国际头部竞赛冠军  严打“黑飞”，无人机检测反制设备护航大运会净空安全  RoboNeo什么时候上线  中国气象局预测：到 2030 年，中国人工智能气象应用将达到国际领先水平  直击上影节 | 光线传媒董事长王长田谈新技术：未来VR放映效果可能媲美影院  闪电快讯|京东推出言犀AI大模型 面向零售、医疗、物流等产业场景  小岛秀夫不反对使用AI 但认为人类应该凌驾于AI  【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚  大模型训练成本降低近一半！新加坡国立大学最新优化器已投入使用  令人惊叹！AI模型能够以iPhone照片为基础创作诗歌  马斯克“揭秘”人工智能真面目  能走、能飞、能游泳，科学家打造全能 M4 机器人  基于信息论的校准技术，CML让多模态机器学习更可靠  MIT开发“PhotoGuard”技术保护图像免遭恶意AI编辑  Gartner预测：到2025年，全球对话式人工智能支出预计将达到1860亿美元  阿里云推出通义万相AI绘画大模型  杀入生成式AI的亚马逊云科技，能否再次生成未来？  上天下海登极，青岛与昇腾AI握手一起探索星辰大海  DragGAN开源三天Star量23k，这又来一个DragDiffusion  人工智能如何与智能家居集成  特斯拉 Optimus 人形机器人入驻北美门店，帮助提升汽车销量  2025智源大会AI安全话题备受关注，《人机对齐》新书首发  360°/180°双模式，佳能公布可折叠小体积的VR全景相机  亲身体验鸿蒙4：AI大模型带来的便利，告别单纯的旁观者状态  拓普龙7188ML：轻便壁挂式工控机箱，为人工智能应用场景提供有力保障  朝鲜出现国产大型察打一体无人机，实力世界第二，太意外了  黄仁勋：5年前，我们对AI抱有巨大期望  时隔 4 年：谷歌更新安卓机器人 LOGO，形象更立体  Meta开源文本生成音乐大模型，我们用《七里香》歌词试了下  AI在教育中的角色：AI如何改变我们的学习方式  水路两栖艇、消防灭火机器人……这个展览“黑科技”抢眼  到中国科技馆体验“一滴油的奇妙旅行”，线上元宇宙展厅同步开启  云南首例达芬奇机器人微创心脏手术成功开展 

 2025-07-28