ghostnet的精度的一些疑问
DavideHe opened this issue · comments
在代码https://github.com/huawei-noah/Efficient-AI-Backbones/blob/master/ghostnet_pytorch/validate.py#L61, 验证机数据处理是先采用transforms.Resize(256)，然后transforms.CenterCrop(224)，首先这种测试方式是不容易对齐的，因为每次产生测试数据的图是不一样的；因为我一般是采用原图直接resize 224然后normalize ，最后的输入网络测试；但是这种方式我测试出来的结果ghostnet 1.0 加载你们提供的训练好的网络state_dict_73.98.pth；最后测试出来的结果为top1: 0.7082 top5: 0.8979;paper中写的是top1:73.9,top5:91.4
“先采用transforms.Resize(256)，然后transforms.CenterCrop(224)”这种方式是普遍采用的方式。这种方式是保持长宽比的情况下将短边resize到256，然后中心crop出224x224的图片，每次产生的图片是一样的。没有你说的不一样的情况。
“先采用transforms.Resize(256)，然后transforms.CenterCrop(224)”这种方式是普遍采用的方式。这种方式是保持长宽比的情况下将短边resize到256，然后中心crop出224x224的图片，每次产生的图片是一样的。没有你说的不一样的情况。
抱歉，我将CenterCrop理解成RandomResizedCrop了；
但是实际工程中，一般是不会crop吧，crop对分类的主体在中心位置是友好的，但是主体不在中心位置并不好，并且对于长宽比大幅偏离1：1，这样的操作可能直接丢失主体。