# efficientnet

Python API: `luxonis_train.nodes.backbones.efficientnet`

通过 `torch.hub` 加载的 EfficientNet-Lite0 骨干网络。

## 类

### EfficientNet

EfficientNet-Lite0 骨干网络，返回阶段特征图。

EfficientNet 将网络的深度、宽度和输入分辨率与一个复合系数一起缩放。该节点通过 `torch.hub.load` 加载固定的 `efficientnet_lite0` 模型。它运行 stem 和七个块阶段。它返回 `out_indices`
选择的每个阶段的输出。

 * `输入:`: * `inputs` (`Tensor`): [B, 3, H, W]
 * `输出:`: * `features` (`list[Tensor]`): 每个 `out_indices` 一个；默认步长为 2、4、8、16、32，通道数为 16、24、40、112、320

> **参考**
> * 来源：通过 `torch.hub` 加载 [rwightman/gen-efficientnet-pytorch](https://github.com/rwightman/gen-efficientnet-pytorch) (Apache-2.0)。论文：[EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks](https://arxiv.org/abs/1905.11946)。
 * 许可证：Apache-2.0（本项目）

> **注意事项**
> 输入必须有 3 个通道。`torch.hub.load` 以 `trust_repo=True` 运行。首次加载会将仓库下载到 `torch.hub` 缓存中，因此需要网络访问。该节点保留了加载模型中未使用的头部层：`conv_head`、`bn2`、`act2`、`global_pool` 和 `classifier`。

 * `变体:`: 无。通过 `params` 配置节点。

> **示例**
> 配置中 `model.nodes` 部分的节点条目：

```yaml
- name: EfficientNet
```

 * `兼容:`: * 附加索引：`-1`，输入节点的最后一个输出

#### 方法

##### init

```python
def __init__(out_indices: list[int] | None = None, weights: Literal['download', 'none'] | None = None, **kwargs):
```

加载 `efficientnet_lite0` 并存储输出索引。

参数

 * `out_indices` (`list[int] | None`):
   [forward](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/backbones/efficientnet.md)
   返回的块阶段索引，从 `0` 到 `6`。超出该范围的索引不添加输出。`None` 或空列表选择 `[0, 1, 2, 4, 6]`。
 * `weights` (`Literal['download', 'none'] | None`): 值 `"download"` 加载 `torch.hub` 模型的预训练权重。任何其他值都保持随机初始化。该值未达到
   [BaseNode](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/base_node.md)，因此检查点
   URL 或 `"yolo"` 无效。
 * `**kwargs`: 转发给
   [BaseNode](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/base_node.md)
   的关键字参数。

##### forward

```python
def forward(inputs: Tensor) -> list[Tensor]:
```

运行 stem 和块阶段。

stem 是加载模型的 `conv_stem`、`bn1` 和 `act1`，步长为 `2`。后面是七个块阶段。

参数

 * `inputs` (`Tensor`): 形状为 `[B, 3, H, W]` 的图像批次。

返回

 * `list[Tensor]`: 索引在 `out_indices` 中的每个阶段的输出，按阶段顺序排列。这些阶段的通道数分别为 16、24、40、80、112、192 和 320，步长分别为 2、4、8、16、16、32 和 32。

#### 属性

##### backbone
