【免费下载链接】tf_mixnet_l.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_mixnet_l.in1k点击查看免费下载tf_mixnet_l.in1k 是 timmPyTorch Image Models提供的一款 MixNet 图像分类模型在 ImageNet-1k 上完成预训练仅 7.3M 参数、0.6 GMACs轻量高效。本文面向新手用一篇文章讲清楚它的3 种官方用法图像分类、特征图提取、图像 Embeddings并解读 config.json 中的关键配置帮你快速选对用法。先认识 tf_mixnet_l.in1k 是什么MixNet 源自 Google 的 MixConv 论文Mixed Depthwise Convolutional Kernels通过混合不同尺寸的深度可分离卷积核在精度和计算量之间取得了很好的平衡。这个仓库是tf_mixnet_l.in1k的模型卡片与权重镜像模型由论文作者用 TensorFlow 训练再移植为 PyTorch 版本即 timm 生态。核心信息如下项目说明模型类型图像分类 / 特征骨干backbone参数量7.3M约 28MB 权重计算量0.6 GMACs非常适合端侧与低算力场景输入尺寸224 × 224训练数据集ImageNet-1k1000 类分类特征维度1536许可证apache-2.0仓库文件结构一览文件作用README.md模型卡片包含 3 种官方用法的完整示例代码config.json模型架构与预训练预处理配置mean/std、裁剪比例等model.safetensorssafetensors 格式权重Git LFS 指针实际约 28MBpytorch_model.binPyTorch 二进制格式权重Git LFS 指针实际约 28MB 两个权重文件内容等价只是存储格式不同新项目中建议优先使用加载更安全的 safetensors 格式。用法一图像分类Image Classification️这是最直观的用法给模型一张图输出 ImageNet 1000 个类别的概率分布。官方流程只有 4 步核心思路是「加载模型 → 取官方预处理 → 前向 → 取 Top-K」model timm.create_model(tf_mixnet_l.in1k, pretrainedTrue) model model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) output model(transforms(img).unsqueeze(0)) top5_prob, top5_idx torch.topk(output.softmax(dim1) * 100, k5)几个新手容易踩的坑预处理要跟着模型走resolve_model_data_config会自动应用模型专属的归一化与 resize 参数对应 config.json 中的mean/std/crop_pct不要用「自认为标准」的参数替代输出形状是(batch, 1000)softmax 后即可解释为各类别概率k5表示取 Top-5 预测完整可运行示例见 README.md 的 Image Classification 小节。用法二特征图提取Feature Map Extraction️如果你做目标检测、分割等下游任务往往不需要分类头而是想要中间的特征图。timm 只需用一个参数features_onlyTrue切换模式model timm.create_model(tf_mixnet_l.in1k, pretrainedTrue, features_onlyTrue) model model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) output model(transforms(img).unsqueeze(0)) for o in output: print(o.shape)对一张 224×224 的输入它返回5 个不同分辨率的特征图列表特征图形状示例语义第 1 层(1, 32, 112, 112)分辨率最高、信息最细第 2 层(1, 40, 56, 56)浅层语义第 3 层(1, 56, 28, 28)中层语义第 4 层(1, 160, 14, 14)深层语义第 5 层(1, 264, 7, 7)最抽象、通道数最多这些多尺度特征图可以直接接分割头、检测头作为轻量级 backbone 复用官方示例见 README.md 的 Feature Map Extraction 小节。用法三图像 Embeddings向量表示第三种用法是把一张图「压缩」成一个 1536 维向量用于图像检索、相似度计算、聚类或作为微调起点。官方给出了两种等价写法写法 A创建模型时去掉分类头model timm.create_model( tf_mixnet_l.in1k, pretrainedTrue, num_classes0, # 移除分类器 nn.Linear ) output model(transforms(img).unsqueeze(0)) # (1, 1536)写法 B保留默认模型手动分两段调用output model.forward_features(transforms(img).unsqueeze(0)) # (1, 1536, 7, 7) output model.forward_head(output, pre_logitsTrue) # (1, 1536)要点提示num_classes0只是「删掉最后的线性层」前向结果与写法 B 完全一致forward_features输出的是未池化的7×7 特征图forward_head(pre_logitsTrue)再完成池化 归一化得到最终 Embedding得到的 1536 维向量可以直接算余弦相似度实现「以图搜图」完整示例见 README.md 的 Image Embeddings 小节。config.json 关键配置解读 ⚙️config.json 定义了模型架构tf_mixnet_l与预训练配置pretrained_cfg几个字段值得注意字段值含义num_classes1000ImageNet-1k 类别数num_features1536Embedding / 分类前特征维度input_size[3, 224, 224]输入为 224×224 三通道图像mean/std0.485/0.456/0.406 等与 ImageNet 一致的 RGB 归一化参数crop_pct/crop_mode0.875 / center推理时中心裁剪 87.5% 比例interpolationbicubic缩放采用双三次插值pool_size[7, 7]特征图池化到 7×7 后全局池化first_conv/classifierconv_stem / classifier用于微调时定位首层卷积与分类头这些参数正是timm.data.resolve_model_data_config会自动读取并应用的来源——这也是官方反复强调「用 timm 工具链生成 transforms」的原因。3 种用法怎么选你的需求选哪个关键参数判断图片属于哪类Top-K 分类图像分类默认加载输出 1000 维 logits做分割 / 检测需要多尺度特征特征图提取features_onlyTrue图像检索 / 相似度 / 微调特征图像 Embeddingsnum_classes0或forward_head(pre_logitsTrue)一句话总结分类看 logits、下游任务要特征图、检索聚类取 1536 维向量三种模式共享同一份预训练权重切换成本几乎为零。模型基于 apache-2.0 协议发布可放心用于学习与商业场景引用时请参考 README.md 中的 MixConv 与 timm 两条 BibTeX。赞分享【免费下载链接】tf_mixnet_l.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_mixnet_l.in1k点击查看免费下载相关推荐maxvit_base_tf_384.in21k_ft_in1k 的 3 大核心用法详解图像分类、特征图提取与图像嵌入实战maxvit_base_tf_384.in21k_ft_in1k 的 3 大核心用法详解图像分类、特征图提取与图像嵌入实战 maxvit_base_tf_38quip-miner v0.3 架构解析quip 网络的五道接缝与工作生命周期quip miner v0.3 架构解析quip 网络的五道接缝与工作生命周期 本篇文章基于仓库根目录的 ARCHITECTURE.md https://li时间序列到图像转换5种创新分类方法完全指南时间序列到图像转换5种创新分类方法完全指南 时间序列到图像转换是一项革命性的技术突破让传统的时间序列分析焕发新生通过tsai库提供的强大转换工具您可以将深度学习机器学习人工智能上一篇WPF DynamicLayout 示例从零实现一个带 Click 事件处理器的按钮WPF-Samples 实战解析下一篇gulp-postcss完整教程一站式解决CSS后处理难题创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/21 1:31:14 · 阅读 1.2k 从图像分类到Embeddings：tf_mixnet_l.in1k的3种官方用法详解
【免费下载链接】tf_mixnet_l.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_mixnet_l.in1k点击查看免费下载tf_mixnet_l.in1k 是 timmPyTorch Image Models提供的一款 MixNet 图像分类模型在 ImageNet-1k 上完成预训练仅 7.3M 参数、0.6 GMACs轻量高效。本文面向新手用一篇文章讲清楚它的3 种官方用法图像分类、特征图提取、图像 Embeddings并解读 config.json 中的关键配置帮你快速选对用法。先认识 tf_mixnet_l.in1k 是什么MixNet 源自 Google 的 MixConv 论文Mixed Depthwise Convolutional Kernels通过混合不同尺寸的深度可分离卷积核在精度和计算量之间取得了很好的平衡。这个仓库是tf_mixnet_l.in1k的模型卡片与权重镜像模型由论文作者用 TensorFlow 训练再移植为 PyTorch 版本即 timm 生态。核心信息如下项目说明模型类型图像分类 / 特征骨干backbone参数量7.3M约 28MB 权重计算量0.6 GMACs非常适合端侧与低算力场景输入尺寸224 × 224训练数据集ImageNet-1k1000 类分类特征维度1536许可证apache-2.0仓库文件结构一览文件作用README.md模型卡片包含 3 种官方用法的完整示例代码config.json模型架构与预训练预处理配置mean/std、裁剪比例等model.safetensorssafetensors 格式权重Git LFS 指针实际约 28MBpytorch_model.binPyTorch 二进制格式权重Git LFS 指针实际约 28MB 两个权重文件内容等价只是存储格式不同新项目中建议优先使用加载更安全的 safetensors 格式。用法一图像分类Image Classification️这是最直观的用法给模型一张图输出 ImageNet 1000 个类别的概率分布。官方流程只有 4 步核心思路是「加载模型 → 取官方预处理 → 前向 → 取 Top-K」model timm.create_model(tf_mixnet_l.in1k, pretrainedTrue) model model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) output model(transforms(img).unsqueeze(0)) top5_prob, top5_idx torch.topk(output.softmax(dim1) * 100, k5)几个新手容易踩的坑预处理要跟着模型走resolve_model_data_config会自动应用模型专属的归一化与 resize 参数对应 config.json 中的mean/std/crop_pct不要用「自认为标准」的参数替代输出形状是(batch, 1000)softmax 后即可解释为各类别概率k5表示取 Top-5 预测完整可运行示例见 README.md 的 Image Classification 小节。用法二特征图提取Feature Map Extraction️如果你做目标检测、分割等下游任务往往不需要分类头而是想要中间的特征图。timm 只需用一个参数features_onlyTrue切换模式model timm.create_model(tf_mixnet_l.in1k, pretrainedTrue, features_onlyTrue) model model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse) output model(transforms(img).unsqueeze(0)) for o in output: print(o.shape)对一张 224×224 的输入它返回5 个不同分辨率的特征图列表特征图形状示例语义第 1 层(1, 32, 112, 112)分辨率最高、信息最细第 2 层(1, 40, 56, 56)浅层语义第 3 层(1, 56, 28, 28)中层语义第 4 层(1, 160, 14, 14)深层语义第 5 层(1, 264, 7, 7)最抽象、通道数最多这些多尺度特征图可以直接接分割头、检测头作为轻量级 backbone 复用官方示例见 README.md 的 Feature Map Extraction 小节。用法三图像 Embeddings向量表示第三种用法是把一张图「压缩」成一个 1536 维向量用于图像检索、相似度计算、聚类或作为微调起点。官方给出了两种等价写法写法 A创建模型时去掉分类头model timm.create_model( tf_mixnet_l.in1k, pretrainedTrue, num_classes0, # 移除分类器 nn.Linear ) output model(transforms(img).unsqueeze(0)) # (1, 1536)写法 B保留默认模型手动分两段调用output model.forward_features(transforms(img).unsqueeze(0)) # (1, 1536, 7, 7) output model.forward_head(output, pre_logitsTrue) # (1, 1536)要点提示num_classes0只是「删掉最后的线性层」前向结果与写法 B 完全一致forward_features输出的是未池化的7×7 特征图forward_head(pre_logitsTrue)再完成池化 归一化得到最终 Embedding得到的 1536 维向量可以直接算余弦相似度实现「以图搜图」完整示例见 README.md 的 Image Embeddings 小节。config.json 关键配置解读 ⚙️config.json 定义了模型架构tf_mixnet_l与预训练配置pretrained_cfg几个字段值得注意字段值含义num_classes1000ImageNet-1k 类别数num_features1536Embedding / 分类前特征维度input_size[3, 224, 224]输入为 224×224 三通道图像mean/std0.485/0.456/0.406 等与 ImageNet 一致的 RGB 归一化参数crop_pct/crop_mode0.875 / center推理时中心裁剪 87.5% 比例interpolationbicubic缩放采用双三次插值pool_size[7, 7]特征图池化到 7×7 后全局池化first_conv/classifierconv_stem / classifier用于微调时定位首层卷积与分类头这些参数正是timm.data.resolve_model_data_config会自动读取并应用的来源——这也是官方反复强调「用 timm 工具链生成 transforms」的原因。3 种用法怎么选你的需求选哪个关键参数判断图片属于哪类Top-K 分类图像分类默认加载输出 1000 维 logits做分割 / 检测需要多尺度特征特征图提取features_onlyTrue图像检索 / 相似度 / 微调特征图像 Embeddingsnum_classes0或forward_head(pre_logitsTrue)一句话总结分类看 logits、下游任务要特征图、检索聚类取 1536 维向量三种模式共享同一份预训练权重切换成本几乎为零。模型基于 apache-2.0 协议发布可放心用于学习与商业场景引用时请参考 README.md 中的 MixConv 与 timm 两条 BibTeX。赞分享【免费下载链接】tf_mixnet_l.in1k项目地址https://ai.gitcode.com/hf_mirrors/timm/tf_mixnet_l.in1k点击查看免费下载相关推荐maxvit_base_tf_384.in21k_ft_in1k 的 3 大核心用法详解图像分类、特征图提取与图像嵌入实战maxvit_base_tf_384.in21k_ft_in1k 的 3 大核心用法详解图像分类、特征图提取与图像嵌入实战 maxvit_base_tf_38quip-miner v0.3 架构解析quip 网络的五道接缝与工作生命周期quip miner v0.3 架构解析quip 网络的五道接缝与工作生命周期 本篇文章基于仓库根目录的 ARCHITECTURE.md https://li时间序列到图像转换5种创新分类方法完全指南时间序列到图像转换5种创新分类方法完全指南 时间序列到图像转换是一项革命性的技术突破让传统的时间序列分析焕发新生通过tsai库提供的强大转换工具您可以将深度学习机器学习人工智能上一篇WPF DynamicLayout 示例从零实现一个带 Click 事件处理器的按钮WPF-Samples 实战解析下一篇gulp-postcss完整教程一站式解决CSS后处理难题创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考