This is the Linux app named ConvNeXt V2 whose latest release can be downloaded as ConvNeXt-V2sourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Laden Sie diese App namens ConvNeXt V2 mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
ConvNeXt V2
BESCHREIBUNG
ConvNeXt V2 ist eine Weiterentwicklung der ConvNeXt-Architektur, die Faltungsnetzwerke neben selbstüberwachtem Lernen mitentwickelt. Die Version V2 führt ein vollständig Convolutional Masked Autoencoder (FCMAE)-Framework ein, bei dem Teile des Bildes maskiert werden und das Netzwerk den fehlenden Inhalt rekonstruiert, indem es Faltungs-Induktionsbias mit leistungsstarkem Vortraining verbindet. Eine wichtige Neuerung ist eine neue, dem ConvNeXt-Backbone hinzugefügte GRN-Schicht (Global Response Normalization), die den Funktionswettbewerb über alle Kanäle hinweg verbessert. Das Ergebnis ist ein ConvNet, das bei Erkennungsbenchmarks stark mit Transformer-Architekturen konkurriert und gleichzeitig effizient und hardwarefreundlich ist. Das Repository bietet offizielle PyTorch-Implementierungen für mehrere Modellgrößen (Atto, Femto, Pico bis hin zu Huge), Konvertierung von JAX-Gewichten, Code für Vortraining/Feintuning und vortrainierte Kontrollpunkte. Es unterstützt sowohl selbstüberwachtes Vortraining als auch überwachtes Feintuning.
Eigenschaften
- Vollständig faltendes maskiertes Autoencoder-Vortraining (FCMAE)
- Global Response Normalization (GRN) zur Verbesserung des Kanalwettbewerbs
- Mehrere Modellgrößen (Atto, Femto, Pico, Tiny, Base, Large, Huge)
- Unterstützung für selbstüberwachte und überwachte Lernpipelines
- Vortrainierte Checkpoints (konvertiert von JAX) und PyTorch-Implementierung
- Trainings-/Feinabstimmungsprogramme und Code für Vortraining und Evaluierung
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/convnext-v2.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.
