tinynet_d.in1k预处理指南:为什么是152x152?bicubic插值与中心裁剪原理

原创2026-10-21 13:45:072,285 阅读
文章标签:人工智能计算机视觉

tinynet_d.in1k预处理指南:为什么是152x152?bicubic插值与中心裁剪原理

tinynet_d.in1k 是一个在 ImageNet-1k 上预训练的 TinyNet 图像分类模型(仅 2.3M 参数、0.1 GMACs)。要想拿到最佳精度,它的输入必须严格按照 152×152 输入 + bicubic 插值 + 0.875 中心裁剪 进行预处理。本文基于模型卡逐条讲清这些预处理参数,帮助你快速搭好标准推理管线。

1️⃣ 模型概览:2.3M 参数的"轻量级"分类模型

项目 数值
模型类型 图像分类 / 特征主干(feature backbone)
参数量 2.3M
计算量 0.1 GMACs
输入尺寸 152 × 152
训练数据集 ImageNet-1k(1000 类)

tinynet_d.in1k 由论文 Model Rubik's Cube: Twisting Resolution, Depth and Width for Tiny Nets(NeurIPS 2020)作者训练,架构来自 timm 库的 TinyNet 家族。来源:README.md

2️⃣ tinynet_d.in1k 预处理流水线:三步走

关键参数全部写在 config.json 的 pretrained_cfg 里:

参数 取值 作用
input_size [3, 152, 152] 最终输入尺寸
interpolation bicubic 缩放插值方式
crop_pct 0.875 中心裁剪比例
crop_mode center 中心裁剪
mean / std ImageNet 统计值 通道归一化

第一步:bicubic 插值缩放(短边 ≈174)

因为 crop_pct = 0.875,timm 默认验证管线的实际第一步是把短边放大到约 174(152 ÷ 0.875 ≈ 173.7,取整为 174),并保持原始宽高比。

为什么要用 bicubic 插值?三种常见插值方法的区别在于"看多大范围的邻居像素":

  • Nearest(最近邻):只看最近的 1 个像素,缩小图像时出现明显的方块锯齿;
  • Bilinear(双线性):对 2×2 邻域加权,结果平滑,但边缘和高频细节偏弱;
  • Bicubic(双三次):对 4×4 邻域加权,过渡更平滑、边缘和细节保留更好。

从真实照片缩小到 152×152 属于"降采样",bicubic 的混叠伪影更少、边缘更干净——对容量有限的小模型尤其关键,这也是 config.json 指定 interpolation: bicubic 的原因。

第二步:crop_pct 0.875 中心裁剪(取 152×152)

短边放大到约 174 后,执行中心裁剪(crop_mode: center):从中心裁出 174 × 0.875 = 152 的方块,得到精确的 152×152 输入。

"先放大、再裁剪"这套组合拳有两个作用:

  1. 不变形:按比例缩放再裁剪,图像宽高比原样保留,不会出现拉伸;
  2. 聚焦主体:中心区域通常是 ImageNet 照片主体的所在位置,裁掉边缘背景可减少干扰。

第三步:ImageNet 通道归一化

像素值转为 0–1 浮点数后,再按通道做 ImageNet 均值/标准差归一化(来源:config.json):

通道 mean std
R 0.485 0.229
G 0.456 0.224
B 0.406 0.225

这一步把图像数据分布"搬"回模型训练时见过的数值范围。漏掉它或参数用错,是"代码能跑、结果却乱猜"的头号原因。

3️⃣ 为什么是 152×152?而不是常见的 224?

整除性:正好缩成 5×5 特征图

TinyNet 有 5 次 stride=2 的下采样。152×152 输入下的特征图尺寸变化为:

152 → 76 → 38 → 19 → 10 → 5

最后的 5×5 特征图恰好等于 config.json 中的 pool_size: <a href="https://link.gitcode.com/i/cfc91797b36ed5ad2c5123c093b14df7" target="_blank">5, 5],全局平均池化后进入 1280 维嵌入头,再输出 1000 类分数。推理时的中间特征图与 [README.md 给出的示例一致(76×76 / 38×38 / 19×19 / 10×10 / 5×5)。

一句话:152 = 8 × 19,可以被 2 连续整除 5 次,每级下采样都"干干净净"地缩小,不产生边界取整带来的错位。

论文结论:小模型需要更高的分辨率

Model Rubik's Cube 论文对 TinyNet 系列系统消融了输入分辨率,得到一个反直觉的结论:模型越小,最优输入分辨率反而越高。ResNet 这类大模型用 224×224 甚至更低分辨率就足够"认物",而只有 2.3M 参数的小模型"内部知识"有限,必须靠输入图提供更丰富的空间细节来弥补,152×152 正是它精度与成本之间实测最优的平衡点。

算力成本视角

卷积算力大致正比于像素数。若直接上 224×224,计算量约为 152×152 的 (224/152)² ≈ 2.2 倍,0.1 GMACs 会涨到 0.22 GMACs 左右——轻量模型的立身之本没了,精度收益却有限。

4️⃣ 预处理常见坑 ⚠️

  • 强行压成 152×152:直接把任意比例图像 resize 成正方形会拉伸变形。正确做法是"短边 ≈174 → 中心裁剪 152×152";
  • 推理时用了训练管线:训练流程含随机裁剪、翻转等增强,推理必须用验证流程(is_training=False);
  • 0–255 与 0–1 搞混:归一化前忘除以 255,数值会整体偏大 255 倍;
  • 乱改归一化参数:上面的 mean/std 是模型在 ImageNet 训练时见过的统计值,不要替换成其他数据集的值。

另外 config.json 中 fixed_input_size 为 false,说明模型技术上可接受其他分辨率,但 152×152 是训练与推理时的默认设定,强烈建议保持不变。

5️⃣ 快速上手:用 timm 一步生成标准预处理

模型权重(safetensors / bin 两种格式)都在本仓库中,如需 clone 仓库:

git clone https://gitcode.com/hf_mirrors/timm/tinynet_d.in1k

推理代码见 README.md,核心思路是用 timm 内置的数据配置自动生成预处理管线,避免手工填参数:

import timm
model = timm.create_model('tinynet_d.in1k', pretrained=True)

# 自动解析预处理配置(缩放、插值、裁剪、归一化)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

resolve_model_data_config 会读取模型的 pretrained_cfg,上表中的所有参数都会自动生效,等于"开箱即用的训练同款预处理"。

6️⃣ 相关文件速查

文件 说明
config.json 模型结构与 pretrained_cfg(全部预处理参数)
README.md 模型卡:参数、使用示例、论文与引用
model.safetensors 权重文件(safetensors 格式)
pytorch_model.bin 权重文件(bin 格式)

总结

tinynet_d.in1k 的预处理可以记成一句话:bicubic 把短边放大到 ≈174,中心裁剪出 152×152,再用 ImageNet 的 mean/std 归一化。而 152×152 不是随便选的:它可被 2 连续整除 5 次、恰好产出 5×5 特征图,也是 Model Rubik's Cube 论文为小模型找到的"精度 vs 成本"甜点位。跟着本文的 create_transform 标准流程走,就能得到与训练时一致的预处理结果。

登录后查看全文
tinynet_d.in1k