ImageNet+, CIFAR-100+, Flowers-102+, Food-101+
收藏arXiv2023-09-23 更新2024-07-30 收录
下载链接：
https://github.com/apple/ml-dr
下载链接
链接失效反馈官方服务：
资源简介：
通过数据增强和知识蒸馏策略增强的ImageNet、CIFAR-100、Flowers-102和Food-101数据集的新版本，用于提高模型准确性、鲁棒性和校准性。
New versions of the ImageNet, CIFAR-100, Flowers-102 and Food-101 datasets enhanced via data augmentation and knowledge distillation strategies, which aim to improve model accuracy, robustness and calibration.
创建时间：
2023-03-16
原始信息汇总
数据集强化
数据集概述
数据集强化（Dataset Reinforcement）是一种轻量级实现，通过预训练检查点和强化数据集来提高模型准确性和鲁棒性。该方法结合了数据增强和知识蒸馏的优势，将大型模型在大数据集上的优势转移到其他数据集和模型上。
强化数据集列表
以下是针对ImageNet、CIFAR-100、Food-101和Flowers-102的强化数据集列表：
| 强化数据集 | 任务ID | 大小 (GBs) | 备注 |
|---|---|---|---|
| ImageNet+-RRC | rdata | 33.4 | [NS=400] |
| ImageNet+-+M* | rdata | 46.3 | [NS=400] |
| ImageNet+-+RA/RE | rdata | 37.5 | [NS=400] |
| ImageNet+-+M*+R* | rdata | 53.3 | [NS=400] |
| ImageNet+-RRC-Small | rdata | 4.7 | [NS=100, K=5] |
| ImageNet+-+M*-Small | rdata | 7.8 | [NS=100, K=5] |
| ImageNet+-+RA/RE-Small | rdata | 5.6 | [NS=100, K=5] |
| ImageNet+-+M*+R*-Small | rdata | 9.4 | [NS=100, K=5] |
| ImageNet+-RRC-Mini | rdata | 4.4 | [NS=50] |
| ImageNet+-+M*-Mini | rdata | 6.1 | [NS=50] |
| ImageNet+-+RA/RE-Mini | rdata | 4.9 | [NS=50] |
| ImageNet+-+M*+R*-Mini | rdata | 7.0 | [NS=50] |
| CIFAR-100 | rdata | 2.5 | [NS=800] |
| Food-101 | rdata | 4.2 | [NS=800] |
| Flowers-102 | rdata | 0.5 | [NS=8000] |
预训练检查点
CVNets检查点
我们提供CVNets库中各种模型的预训练检查点，可以在CVNets库中验证准确性。
- 150 Epochs Checkpoints
- 300 Epochs Checkpoints
- 1000 Epochs Checkpoints
- imagenet-cvnets.tar: 所有在ImageNet上训练的CVNets检查点（14.3GBs）。
- imagenet-plus-cvnets.tar: 所有在ImageNet+上训练的CVNets检查点（14.3GBs）。
Timm检查点
我们提供Timm库中ResNet50d模型的预训练检查点，使用各种强化数据集训练150个周期。
- imagenet-timm.tar: 所有在ImageNet和ImageNet+上训练的Timm检查点（2.3GBs）。
| 模型 | 强化数据集 | 准确性 | 链接 |
|---|---|---|---|
| ResNet50d [ERM] | N/A | 78.9 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-RRC | 80.0 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M* | 80.5 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+RA/RE | 80.4 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M*+R* | 80.2 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-RRC-Small | 80.0 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M*-Small | 80.6 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+RA/RE-Small | 80.2 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M*+R*-Small | 80.1 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-RRC-Mini | 80.1 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M*-Mini | 80.5 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+RA/RE-Mini | 80.4 | [best.pt] [config.yaml] [metrics.jb] |
| ResNet50d | ImageNet+-+M*+R*-Mini | 80.2 | [best.pt] [config.yaml] [metrics.jb] |
