Характеристики

Лицензия: Apache 2.0
Опубликована: 7 июл 2026

Ссылки

EfficientNetV2-B0-ONNX

Классификация изображенийИзображение → label

EfficientNetV2-B0 в формате ONNX классифицирует изображения по 1000 классам ImageNet и оптимизирована для запуска на NPU Renesas R-Car X5H.

0скачиваний за 30 дней0лайковвеса обновлены2 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

EfficientNetV2-B0-ONNX — модель классификации изображений на базе сверточной архитектуры EfficientNetV2-B0, подготовленная Renesas для запуска на платформе Renesas R-Car X5H с использованием NPU NPX6. Модель обучена для классификации изображений ImageNet ILSVRC2012 по 1000 классам; размер входа составляет 224 × 224 пикселя, число параметров — около 7,1 млн.

В репозитории представлены веса ONNX в формате FP32, экспортированные из MMPreTrain (OpenMMLab) и оптимизированные ONNX Optimizer. README описывает запуск через ONNX Runtime с пользовательским NPU Execution Provider или MWMX Runtime; в этих сценариях возможна автоматическая конвертация в INT8. Приведены измерения и оценка производительности на X5H, включая задержки около 2 мс для отдельных замеров на одном ядре NPU.

Модель предназначена для эффективной классификации изображений на встроенных устройствах. Лицензия репозитория — Apache-2.0. Ее назначение ограничено классификацией изображений по ImageNet; README не подтверждает качество на других наборах данных или входных разрешениях.

Сценарии применения

Классификация изображений по классам ImageNet
Распознавание объектов и сцен на встроенном устройстве
Запуск классификатора изображений на NPU Renesas R-Car X5H

Ограничения

Модель предназначена для классификации по 1000 классам ImageNet и принимает изображения разрешением 224 × 224; качество на других наборах данных и разрешениях не подтверждено. Для описанного ускорения на NPX6 требуются совместимая платформа и runtime Renesas.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EfficientNetV2-B0 (ONNX) – Renesas X5H

Introduction

This repository hosts EfficientNetV2-B0 in ONNX FP32 format, targeting the Renesas R-Car X5H platform for image classification inference on the NPX6 NPU.

Model Architecture: EfficientNetV2-B0 — a parameter-efficient convolutional neural network optimized for high accuracy and efficient inference.
Source Framework: MMPreTrain (OpenMMLab)
Export Format: ONNX FP32
Graph Optimization: ONNX Optimizer
Task: Image Classification (ImageNet ILSVRC2012, 1000 classes)
Parameters: 7.1M (7.11M counted from fp32/efficientnetv2-b0_3rdparty_in1k_sim_opt.onnx initializers)


### Deployment Flow

```text
EfficientNetV2-B0 (MMPreTrain)
            │
            ▼
       ONNX Export
            │
            ▼
      ONNX Optimizer
            │
            ▼
efficientnetv2-b0_3rdparty_in1k_sim_opt.onnx (FP32)
            │
            ├─▶ ONNX Runtime (Custom NPU EP) ─▶ INT8 auto-cast ─▶ NPX6 NPU
            │
            └─▶ MWMX Runtime                 ─▶ INT8 auto-cast ─▶ NPX6 NPU

Provided Artifacts

| Artifact | Status | Notes |
|:---------:|:------:|--------|
| **FP32 ONNX** | ✅ Provided | Exported from MMPreTrain and optimized using ONNX Optimizer |

Runtime Details

### ONNX Model

- **Training Framework:** MMPreTrain (OpenMMLab)
- **Export Format:** ONNX FP32
- **Graph Optimizations:** ONNX Optimizer passes applied
- **Input Resolution:** 224 × 224
- **Output:** 1000 ImageNet classes

Download

hf download Renesas/EfficientNetV2-B0-ONNX --repo-type=model --include "fp32/*"

Performance

Benchmark YAML files live under each artifact's benchmarks/ folder. For B0 (int8/benchmarks/), there are now two independent measurement sources on the same X5H hardware:

Source	Runtime	Slice	Latency (ms)	FPS	Type
`x5h_mwmx_npu.yaml`	MWMX	1× NPU · 1 Core · 850 MHz	2.0818	480	Measured (hil)
`x5h_ppa_npu.yaml`	PPA Estimator	1× NPU · 1 Core · 850 MHz	1.517	650	Estimation
`x5h_mwmx_npu_apm50_1core.yaml`	MWMX (APM50 CI)	1× NPU · 1 Core · 850 MHz	1.739605	—	Measured (hil)
`x5h_mwmx_npu_apm50_12core.yaml`	MWMX (APM50 CI)	1× NPU · 12 Cores · 850 MHz	2.417156	—	Measured (hil)

Note: the apm50 files are a second, independent benchmark run captured via the internal "APM50" CI pipeline (metawaremx_runtime), reported separately from the original x5h_mwmx_npu.yaml / x5h_ppa_npu.yaml measurements above rather than replacing them.

Additional Sizes (B1–B3)

This repo is named for B0 but now also hosts B1, B2, and B3 as additional sibling artifacts (b1/, b2/, b3/, each with their own .metadata.yaml and benchmarks/), measured via the same APM50 / metawaremx_runtime MWMX CI pipeline on Renesas R-Car X5H.

Model	Checkpoint	Parameters	Slice: 1 Core (ms)	Slice: 12 Cores (ms)
EfficientNetV2-B1	`efficientnetv2_b1_3rdparty_in1k`	8.1M	2.897629	3.27878
EfficientNetV2-B2	`efficientnetv2_b2_3rdparty_in1k`	10.1M	4.379195	4.300261
EfficientNetV2-B3	`efficientnetv2_b3_3rdparty_in1k`	14.4M	7.498649	6.245134

This repo is named for B0 but now also hosts B1–B3 as additional artifacts; consider renaming to EfficientNetV2-ONNX in a future cleanup.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов: b0ad28b