Timm 是一個非常流行且功能強大的 Python 深度學習庫，全稱為：

timm（原名：pytorch-image-models）

它是由 Ross Wightman 維護的開源項目，主要面向 基于 PyTorch 的圖像模型研究與應用。該庫提供了大量 預訓練的計算機視覺模型（vision models），以及靈活的組件，便于研究人員和開發者快速構建、訓練和測試各種圖像分類、檢測、分割等任務中的深度學習模型。

---

📦 主要特點

特性	說明
模型豐富	支持數百種主流視覺模型，包括 ResNet、EfficientNet、Vision Transformer (ViT)、ConvNeXt、Swin Transformer、MobileNet、DeiT 等
預訓練權重	提供大量 ImageNet 預訓練模型權重，便于遷移學習
模塊化設計	模型結構清晰，易于修改、組合不同模塊（如 blocks、heads、losses）
支持多任務	不僅支持圖像分類，還支持目標檢測、語義分割、姿態估計等任務
訓練工具鏈完善	包含數據增強、優化器、學習率調度器、損失函數、混合精度訓練等功能
持續更新	跟蹤 SOTA（State-of-the-Art）論文，及時加入新模型和新技術

---

🚀 安裝方式

需要手動安裝，否則ModuleNotFoundError: No module named ‘timm’。

你可以通過 pip 快速安裝 timm：

pip install timm

或者從 GitHub 上安裝最新版本（推薦）：

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

---

🧪 使用示例

示例1：加載一個預訓練模型進行圖像分類

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())# 加載預訓練模型（例如 resnet50）
model = timm.create_model('resnet50', pretrained=True)
model.eval()# 獲取模型所需的輸入預處理配置
config = resolve_data_config({}, model=model)
transform = create_transform(**config)# 圖像預處理
img = Image.open('example.jpg').convert('RGB')
tensor = transform(img).unsqueeze(0)  # 添加 batch 維度# 推理
with torch.no_grad():out = model(tensor)
probabilities = torch.nn.functional.softmax(out[0], dim=0)# 打印 top-5 分類結果
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：獲取模型結構信息

import timm# 查看支持的所有模型名稱
print(timm.list_models())# 查看某個模型的參數
model = timm.create_model('vit_base_patch16_224', pretrained=True)
print(model)

---

🌐 官方資源

• GitHub 地址：https://github.com/rwightman/pytorch-image-models
• 文檔地址：https://rwightman.github.io/pytorch-image-models/
• PyPI 頁面：https://pypi.org/project/timm/

---

🔍 常見用途

• 遷移學習（Transfer Learning）
• 圖像分類（Image Classification）
• 目標檢測（Object Detection）
• 圖像分割（Semantic Segmentation）
• 自監督學習（Self-supervised Learning）
• 模型壓縮與量化（Quantization / Pruning）

---

? 優勢總結

• 開箱即用（Pretrained Models + Easy API）
• 模型種類多、覆蓋廣
• 社區活躍，維護頻繁
• 適合科研和工程落地結合使用