何恺明团队所在的Facebook AI推出ResNeXt-101模型

近日，何恺明团队所在的Facebook AI推出ResNeXt-101模型，利用Instagram上的用户标记图片作为预训练数据集，省去了人工标记数据的巨额成本，而且使用中只需微调，性能即超越了ImageNet任务的SOTA水平。

目前，几乎所有最先进的视觉感知算法都依赖于相同的范式：（1）在手动注释的大型图像分类数据集上预训练卷积网络，（2）在较小的特定任务的数据集上微调网络。这个模式已经广泛使用了好多年，并取得了明显的进展。比如：物体检测，语义分割，人体姿势估计，视频识别，单眼深度估计等。

事实上，如果没有有监督式预训练，很多方法现在还被认为是一种蛮干 ImageNet数据集实际上是预训练数据集。我们现在实际上对数据集的预训练了解相对较少。其原因很多：比如现存的预训练数据集数量很少，构建新数据集是劳动密集型的工作，需要大量的计算资源来进行实验。然而，鉴于预训练过程在机器学习相关领域的核心作用，扩大我们在这一领域的科学知识是非常重要的。

本文试图通过研究一个未开发的数据体系来解决这个复杂的问题：使用外部社交媒体上数十亿的带有标签的图像作为数据源。该数据源具有大而且不断增长的优点，而且是“免费”注释的，因为数据不需要手动标记。显而易见，对这些数据的训练将产生良好的迁移学习结果。

本文的主要成果是，在不使用手动数据集管理或复杂的数据清理的情况下，利用数千个不同主题标签作为标记的数十亿幅Instagram图像进行训练的模型，表现出了优异的传输学习性能。在目标检测和图像分类任务上实现了对当前SOTA性能的提升。在ImageNet-1k图像分类数据集上获得single-crop 最高准确率达到了85.4%，AP达到了45.2%。当在ImageNet-1k上训练（或预训练）相同模型时，分数分别为79.8％和43.7％。然而，我们的主要目标是提供关于此前未开发的制度的新实验数据。为此，我们进行了大量实验，揭示了一些有趣的趋势。

表1：图像分类数据集的摘要。每个数据集标明数据来源和功能（训练集，验证集，测试集），图像数量I和标签数量L。

ImageNet数据集和模型

除了标准的IN-1k数据集之外，我们还尝试了包含1420万幅图像和22000标签的完整ImageNet2011完整版本的更大子集。我们构建了包含5k和9k标签的训练集和验证集。

对于5k标签集组，我们使用现在标准的IN-5k（6.6M训练图像）。对于9k标签集，我们遵循用于构建IN-5k数据集的相同协议，采用下一个最频繁的4k标签和所有相关图像（10.5M训练图像）。在两种情况下，均使用50个图像进行验证。

我们使用具有分组卷积层的残差网络ResNeXt 。实验中使用ResNeXt-101 32×Cd，它有101层，32组，组宽分别为：4（8B乘加FLOPs，43M参数），8（16B，88M），16（36B，193M）， 32（87B，466M）和48（153B，829M）。我们认为实验结果可以推广到其他架构。

与ImageNet相比，我们使用的Instagram数据集可能包含每个图像的多个标签（因为用户指定了多个主题标签）。每个图像的平均标签数量因数据集而异;例如，train-IG-1B-17k每个图像最多包含2个主题标签。

实验结果与性能

表2：使用不同规模、不同参数配置的ResNeXt-101模型获得的不同性能结果比较

图1：使用不同规模和参数配置的ResNeXt-101模型在ImageNet和Instagram标记数据集的分类性能的比较

运行实例及相关代码

# Download an example image from the pytorch websiteimport urlliburl, filename = ("https://github.com/pytorch/hub/raw/master/dog.jpg", "dog.jpg")try: urllib.URLopener().retrieve(url, filename)except: urllib.request.urlretrieve(url, filename)

# sample execution (requires torchvision)from PIL import Imagefrom torchvision import transformsinput_image = Image.open(filename)preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),])input_tensor = preprocess(input_image)input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model# move the input and model to GPU for speed if availableif torch.cuda.is_available(): input_batch = input_batch.to('cuda') model.to('cuda')with torch.no_grad(): output = model(input_batch)# Tensor of shape 1000, with confidence scores over Imagenet's 1000 classesprint(output[0])# The output has unnormalized scores. To get probabilities, you can run a softmax on it.print(torch.nn.functional.softmax(output[0], dim=0))