305M 打赢 1014M：pytorch-image-models 官方实测数据里的选型判断
【免费下载链接】pytorch-image-modelsThe largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-image-models
本文只用 pytorch-image-models（timm，最大的 PyTorch 视觉骨干网络库）仓库内三份官方数据做判断：results/results-imagenet.csv 的 ImageNet-1K 精度、results/benchmark-infer-amp-nchw-pt291-cu130-pro6000maxq.csv 的推理吞吐和 results/benchmark-train-amp-nchw-pt112-cu113-rtx3090.csv 的训练吞吐。核心结论只有一句：选模型别先盯着参数量，305M 的模型排在了 1014M 前面，而输入分辨率是精度与成本两侧共同的隐形杠杆。
评测口径：3 份 CSV 能回答什么，不能回答什么
本节回答"和谁比、数据从哪来"。精度侧以 ImageNet-1K 验证集 Top-1 为准，表中每个模型都标注了实际输入尺寸（224 到 560 不等）；吞吐侧是单卡基准：推理数据为 NVIDIA RTX PRO 6000 Max-Q 上 PyTorch 2.9.1 + CUDA 13.0、AMP 混合精度、NCHW 排布，单位为样本/秒；训练数据来自 RTX 3090、PyTorch 1.12。所有数字直接取自仓库 CSV，可逐行核对。
需要明确的边界：仓库没有发布 CIFAR 系列基准，网络上流传的"CIFAR-10 上 ResNet50 约 96%"一类数字并非官方口径，本文不引用。另外 ImageNet-1K 是单一分类基准，Top-1 数值只反映"在 1000 类、224+ 分辨率上的判别力"，不能外推为小数据集或低分辨率任务的表现。
核心发现一：参数规模不卖票，305M 比 1014M 高 0.27 个点
本节回答"大参数是否等于更高精度"。答案是：在同一输入分辨率下参数仍然重要，但榜单头部不由参数决定。
先看 224 分辨率的同场对比（results/results-imagenet.csv）：eva_giant_patch14_224（1012.6M）Top-1 为 88.90%，convnext_large（197.8M）为 84.30%，convnext_base（88.6M）为 83.84%。1013M 比 89M 高 5.06 个点——分辨率锁定时，参数确实值钱。
但榜单前五里，参数最多的 eva_giant_patch14_560（1014.45M）只有 89.79%，而第一名 eva02_large_patch14_448.mim_m38m_ft_in22k_in1k 只有 305.08M，做到 90.06%；convnextv2_huge（660.29M）的 88.86% 也被其压了 1.2 个点。差距来自预训练配方与架构，而非规模：timm/models/eva.py 中 EVA02 系列默认use_abs_pos_emb=False，依赖自监督 MIM 预训练学到的特征表示。同档位的对照更直接：eva02_base_patch14_448.mim_in22k_ft_in22k_in1k（87.12M）拿到 88.68%，比参数几乎一样的 convnext_base（88.59M）最好成绩 86.83% 高约 1.9 个点。
核心发现二：输入分辨率是隐形杠杆，吞吐是账单
本节回答"不花一分钱加参数，还能从哪抠精度"。同一模型换输入尺寸，精度会明显移动：resnet50.a1_in1k 从 224 到 288，Top-1 由 80.38% 升到 81.24%（+0.86pp）；eva_giant 从 224 到 560 累计 +0.90pp；regnety_040 从 224 的 79.25% 到 288 的 83.05%（+3.8pp，注意该条目换成了 ra3 预训练版本，属叠加效应）。
代价在同一份吞吐表里：resnet50 从 160 输入（11932 样本/秒）升到 224（6459 样本/秒），吞吐近乎腰斩，而精度只换来 4 到 5 个点。工程判断是：批量服务场景先用 224 定基线，把吞吐余量换 288/384 分辨率，比换大模型更划算。另有一个容易被忽略的实现因素：mobilenetv3_large_100 与 tf_mobilenetv3_large_100 参数量完全相同（5.48M），前者吞吐 19788 样本/秒、后者 16568，命名规范不同带来的就是 19% 的实测差距。
横向对比：从 15M 到 305M 的一档表
| 档位 | 模型 | Top-1（输入） | 参数(M) | 推理吞吐（样本/秒） | 适用场景 |
|---|---|---|---|---|---|
| 极致轻量 | mobileone_s4.apple_in1k | 79.45（224） | 14.95 | 7130 | 端侧、移动 App |
| 轻量 | regnety_040.pycls_in1k | 79.25（224） | 20.65 | — | 端云通吃、小模型上限 |
| 中档 | resnet50.a1_in1k | 80.38（224） | 25.56 | 6459 | 批量推理、延迟宽松 |
| 中高档 | eva02_base_patch14_448.mim | 88.68（448） | 87.12 | — | 单卡高精度 |
| 旗舰 | eva02_large_patch14_448.mim_m38m | 90.06（448） | 305.08 | — | 离线评估、竞赛 |
吞吐取自 RTX PRO 6000 Max-Q、AMP、NCHW；"—"表示该模型未收录在吞吐基准中。
解读三句：15M 到 25M 档，精度只有约 1 个点差距，选型主要看延迟预算而非精度；从 25M 跨到 87M 是性价比拐点，同样不涨吞吐档位假设下，Top-1 直接跳 8 个点以上；305M 档相对 87M 档只多 1.4 个点，除非卡精度上限，否则投入产出比骤降。
按场景选型：4 种部署档位的最小配置
本节回答"我这种情况到底拉哪个模型"。所有权重名可直接传给timm.create_model。
移动/端侧（<15M）：选 mobileone_s4
79.45% 的 Top-1 配 7130 样本/秒，是表中唯一同时满足低精度损失和最高吞吐的选项，理由就一条：它把"深度可分离卷积"的推理开销压到了最低档。
import timm model = timm.create_model('mobileone_s4', pretrained=True, num_classes=10)服务器批量推理（20-30M）：regnety_040 或 resnet50
延迟宽松就上 regnety_040 并把输入提到 288（+3.8pp 里有 1 个点是预训练配方贡献，属保守估计）；要生态兼容性选 resnet50.a1_in1k，288 输入可到 81.24%。
model = timm.create_model('regnety_040', pretrained=True) model.eval() # 配合 timm.data.transforms_factory.create_transform(model_name='regnety_040', # img_size=288) 生成匹配 288 输入的前处理单卡高精度（50-100M）：eva02_base_patch14_448
87M 参数做到 88.68%，超过同规模 convnext_base 约 1.9 个点；注意它要求 448 输入，显存与带宽开销比 224 档高一截，部署前先用 benchmark.py 在目标卡上实测吞吐。
精度上限（300M+）：eva02_large_patch14_448.mim_m38m_ft_in22k_in1k
90.06% 是全库第一，且只需要 305M 参数；训练侧开混合精度即可，仓库 train.py 原生支持--amp，无需改代码。
边界条件：哪些数字不能直接比
本节回答"照抄表格时会踩的坑"。
第一，跨分辨率的 Top-1 不可直接比：224 的 80.38 与 448 的 90.06 之间差着输入尺寸，做决策时必须对齐"模型+输入尺寸"这一对。第二，Top-1 与 Top-5 不可互换：results/results-imagenet.csv 中 Top-5 普遍高 9 到 30 个点，汇报口径要写死。第三，吞吐数字绑定硬件与编译栈，仓库同时提供 3090/4090/5090/Max-Q 四套 CSV，跨文件比较没有意义；bf16 与 AMP 版本（如 benchmark-infer-bf16 系列）也各自独立。第四，同网络不同 flavor 的权重（gluon、tf、pycls、fb_in22k_ft）来自不同发布方、不同训练配方，精度可差 2 到 5 个点，pretrained=True拿到的具体是哪个版本，以 results/model_metadata-in1k.csv 的 pretrain 标注为准。第五，CIFAR/小数据集上以上全部结论不保证成立，timm 未提供官方基准，需要自行按 tests/test_models.py 的思路补一组本地实测。
选型的第一性原理其实很简单：先定输入分辨率和吞吐预算，再看同档位内谁精度高。参数量只是最后一步的校验项，不是筛选条件。数据就躺在仓库 results/ 目录里，复制走比引用博客可靠。你现在的部署卡在哪个档位，是延迟还是精度？
【免费下载链接】pytorch-image-modelsThe largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-image-models
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
