Timm 是一个非常流行且功能强大的 Python 深度学习库，全称为：

timm（原名：pytorch-image-models）

它是由 Ross Wightman 维护的开源项目，主要面向 基于 PyTorch 的图像模型研究与应用。该库提供了大量 预训练的计算机视觉模型（vision models），以及灵活的组件，便于研究人员和开发者快速构建、训练和测试各种图像分类、检测、分割等任务中的深度学习模型。

---

📦 主要特点

特性	说明
模型丰富	支持数百种主流视觉模型，包括 ResNet、EfficientNet、Vision Transformer (ViT)、ConvNeXt、Swin Transformer、MobileNet、DeiT 等
预训练权重	提供大量 ImageNet 预训练模型权重，便于迁移学习
模块化设计	模型结构清晰，易于修改、组合不同模块（如 blocks、heads、losses）
支持多任务	不仅支持图像分类，还支持目标检测、语义分割、姿态估计等任务
训练工具链完善	包含数据增强、优化器、学习率调度器、损失函数、混合精度训练等功能
持续更新	跟踪 SOTA（State-of-the-Art）论文，及时加入新模型和新技术

---

🚀 安装方式

需要手动安装，否则ModuleNotFoundError: No module named ‘timm’。

你可以通过 pip 快速安装 timm：

pip install timm

或者从 GitHub 上安装最新版本（推荐）：

pip install git+https://github.com/rwightman/pytorch-image-models

---

🧪 使用示例

示例1：加载一个预训练模型进行图像分类

import torch
import timm
from PIL import Image
from timm.data import resolve_data_config
from timm.data.transforms_factory import create_transform# 列出所有可用模型
# print(timm.list_models())# 加载预训练模型（例如 resnet50）
model = timm.create_model('resnet50', pretrained=True)
model.eval()# 获取模型所需的输入预处理配置
config = resolve_data_config({}, model=model)
transform = create_transform(**config)# 图像预处理
img = Image.open('example.jpg').convert('RGB')
tensor = transform(img).unsqueeze(0)  # 添加 batch 维度# 推理
with torch.no_grad():out = model(tensor)
probabilities = torch.nn.functional.softmax(out[0], dim=0)# 打印 top-5 分类结果
top5_prob, top5_catid = torch.topk(probabilities, 5)
for i in range(top5_prob.size(0)):print(f"Top {i+1} class: {top5_catid[i]} - Probability: {top5_prob[i].item():.4f}")

---

示例2：获取模型结构信息

import timm# 查看支持的所有模型名称
print(timm.list_models())# 查看某个模型的参数
model = timm.create_model('vit_base_patch16_224', pretrained=True)
print(model)

---

🌐 官方资源

• GitHub 地址：https://github.com/rwightman/pytorch-image-models
• 文档地址：https://rwightman.github.io/pytorch-image-models/
• PyPI 页面：https://pypi.org/project/timm/

---

🔍 常见用途

• 迁移学习（Transfer Learning）
• 图像分类（Image Classification）
• 目标检测（Object Detection）
• 图像分割（Semantic Segmentation）
• 自监督学习（Self-supervised Learning）
• 模型压缩与量化（Quantization / Pruning）

---

✅ 优势总结

• 开箱即用（Pretrained Models + Easy API）
• 模型种类多、覆盖广
• 社区活跃，维护频繁
• 适合科研和工程落地结合使用