ResNeSt

收录理由

ResNeSt 在经典 ResNet 骨架上引入 split-attention 模块，仓库提供了从 50 层到 269 层四种深度的预训练权重，几行代码就能在 PyTorch 或 Gluon 中加载。做目标检测或分割的团队可以直接把它当作现成的骨干网络替换，它已经能对接 Detectron2、MMDetection、PyTorch Encoding 工具包和 GluonCV，原有训练流程基本不用大改。不过这是个研究性质的发布，维护并不活跃，使用时可能需要自己调整代码，并手动跑一遍仓库里的复现脚本来确认效果。如果你当前的视觉任务卡在普通 ResNet 的精度上，这些预训练权重和配套的下游配置能带来切实的提升。