timm
timm（PyTorch Image Models）是 Ross Wightman 个人发起并主力维护、现托管于 HuggingFace 组织（github.com/huggingface/pytorch-image-models）的开源 PyTorch 视觉模型库。它的核心定位是「SOTA 图像模型的一站式集合」——收录 700+ 个预训练权重，覆盖 ResNet、EfficientNet、Vision Transformer（ViT）、ConvNeXt、DeiT、Swin、MobileNet、RegNet、XCiT、MaxViT 等几乎所有主流架构及其变体。统一入口是 timm.create_model(name, pretrained=True, ...)：一行加载任意架构与权重，num_classes 改分类头做微调，features_only=True 把分类网络改造成多尺度特征提取主干（喂给检测/分割头），forward_features() 取倒数第二层特征，forward_intermediates() 取任意中间层。配套还有 timm.data（图像预处理 transforms，能从 pretrained_cfg 自动解析每个模型的 input_size/mean/std/interpolation）、timm.optim（Lamb/LookaheadAdam 等优化器）、timm.loss（LabelSmoothingCrossEntropy、JsdCrossEntropy 等训练专用损失）与 train.py 训练脚本。timm 是独立维护的第三方库，不是 PyTorch 官方项目——与 torchvision.models（约 50 个模型、更新慢）相比，timm 模型数量多一个数量级、跟进论文最快、训练技巧齐全；与 OpenMMLab 的「多任务体系」不同，timm 只专注「图像分类与特征提取主干」这一件事，做得极致轻量。截至 2026 年 7 月，稳定版为 1.0.28（2026-07-11 发布）。信源 huggingface.co/docs/timm 官方文档 + GitHub Releases。
评价
优点
- 模型数量碾压：700+ 预训练权重，几乎覆盖所有公开 SOTA 图像分类架构与变体，跟进论文速度业界最快
- API 极简且一致：
create_model('xxx', pretrained=True)一行加载任意模型，num_classes/features_only/global_pool等参数跨架构统一 - 特征提取一等公民：
features_only=True+out_indices把分类网络变成 FPN 主干，forward_intermediates()灵活取任意中间层，检测/分割社区重度依赖 - 预处理自动匹配：
pretrained_cfg自带 input_size/mean/std/crop_pct/interpolation，resolve_data_config+create_transform自动生成正确 transforms，避免「用错归一化」的低级错误 - 训练栈完整：内置 LabelSmoothingCrossEntropy、Mixup/CutMix、SAM、Lamb、Lookahead 等训练技巧实现与
train.py脚本，复现论文一键起步 - 权重迁移友好：
checkpoint_path加载外部权重、pretrained_cfg可自定义 url 与裁剪策略，方便接入自训权重
缺点
- 作者依赖明显：核心维护者是 Ross Wightman 一人，虽有 HuggingFace 托管，社区贡献门槛与可持续性仍依赖个人精力
- 非 PyTorch 官方：与
torchvision.models生态脱节，PyTorch 官方教程与部分下游库默认不引用，集成时需手动说明 - 任务范围窄：只做图像分类与特征提取主干，检测/分割/姿态等完整任务链路需配合其他库（如 OpenMMLab、Detectron2）
- 模型命名约定松散：700+ 模型的命名（如
efficientnetv2_s、convnext_tiny.fb_in22k、vit_base_patch16_224.augreg_in21k）没有强规范，查找需list_models('*pattern*')模糊匹配 - 部分老旧权重精度不一：早期权重（如部分 EfficientNet 变体）与最新重训版本精度有差异，生产用需查 README 性能表确认
文档地址
- timm 官方文档（HuggingFace）
- Quickstart（create_model 与推理）
- Feature Extraction（特征提取指南）
- Pretrained Configs（权重性能表）
- Installation