tf_efficientnet_b3.ap_in1k是来自 timm 库、基于 ImageNet-1k 对抗训练（AdvProp）预训练的高效特征提取模型。只需一个参数features_only=True，它就能直接输出5 层多尺度特征图（24~384 通道），可直接作为图像分割、目标检测任务的通用 Backbone，无需修改网络结构。

🧐 它是什么模型？

tf_efficientnet_b3.ap_in1k 是 EfficientNet-B3 的 PyTorch 移植版本，原始权重由论文作者使用 TensorFlow 在 ImageNet-1k 上通过对抗训练（AdvProp）获得，再移植为 PyTorch 供 timm 使用。核心参数一览：

模型规格详见 README.md 与 config.json。

⚡ 5 层多尺度特征一图看懂

将模型切换为特征提取模式后，前向输出是一个包含 5 个特征图的列表（以 300×300 输入为例）：

# 输出示例（来自 README 官方示例） torch.Size([1, 24, 150, 150]) # 第1层 torch.Size([1, 32, 75, 75]) # 第2层 torch.Size([1, 48, 38, 38]) # 第3层 torch.Size([1, 136, 19, 19]) # 第4层 torch.Size([1, 384, 10, 10]) # 第5层

这套步长 2 / 4 / 8 / 16 / 32的金字塔结构，恰好就是 FPN（Feature Pyramid Network）所需的多尺度输入，因此 Mask R-CNN、DETR 的 backbone、U-Net 分割网络等都能直接接上，几乎零适配成本。

🚀 三步提取特征图

import timm model = timm.create_model( 'tf_efficientnet_b3.ap_in1k', pretrained=True, features_only=True, # 关键：只输出特征图，去掉分类头 ) model = model.eval() data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) features = model(transforms(img).unsqueeze(0)) # 得到 5 层特征图

完整可运行示例见 README.md 的 Feature Map Extraction 小节。

🎯 另外两种常见用法

1. 图像分类：不加参数直接创建模型，输出 1000 类概率。

2. 图像向量（Embedding）：设置num_classes=0去掉分类层；或者分两步走——先model.forward_features(x)得到未池化的 (1, 1536, 10, 10) 张量，再model.forward_head(..., pre_logits=True)得到最终特征向量，适合做图像检索与聚类。

模型在 config.json 中记录了num_features: 1536、输入尺寸、归一化参数等元信息，可用于校验加载的权重。

📁 仓库里都有什么

权重文件通过 Git LFS 管理，规则见 .gitattributes，克隆后需要拉取 LFS 文件才能拿到完整模型。

⚙️ 常用参数速查表

💡 实战小贴士

• 输入尺寸：推荐 300×300；分类验证时中心裁剪比例crop_pct: 0.904，归一化均值/方差均为 0.5，这些参数 config.json 已内置，用timm.data.create_transform会自动处理。
• 搭配 FPN：建议取 C3~C5（48/136/384 通道）做分割或检测主干，C1/C2 仅在需要极高分辨率细节时使用。
• 鲁棒性：AdvProp 对抗训练使模型对噪声和对抗扰动更鲁棒，在低质量图像（压缩图、弱光照）上通常比常规权重更稳定。
• 轻量化部署：12.2M 参数量 + 1.9 GMACs 的规模，使其在手机端实时分割/检测场景中也是理想选择。

一句话总结：tf_efficientnet_b3.ap_in1k用一行features_only=True即可解锁 5 层多尺度特征，是分割与检测任务中性价比极高的现成 Backbone。