ConvNeXt V2 Family

Paper | GitHub

axis

Select an option

Results

Parameters (M)

Images / Second

Publication Date

task

Select an option

---------

Object Detection

Instance Segmentation

Classification

Semantic Segmentation

Panoptic Segmentation

dataset

Select an option

---------

ImageNet-1k

ImageNet-A

ImageNet-R

ImageNet-Sketch

ImageNet-C

ImageNet-C-bar

ImageNet-V2

ImageNet-ReaL

metric

Select an option

----------

Top-1

Top-5

GFLOPs

resolution

Select an option

----------

224x224

384x384

512x512

axis

Select an option

Results

Parameters (M)

Images / Second

GFLOPs

Publication Date

Filters

pretrain dataset

Select an option

---------

JFT-3B

ImageNet-1k

ImageNet-22k

JFT-300M

pretrain method

Select an option

----------

Supervised

FCMAE

MAE

Legend

Legend attribute

Select an option

Family

Pretrain Dataset

Pretrain Method

Classification Resolution

Legend attribute (second)

Select an option

----------

Pretrain Dataset

Pretrain Method

Classification Resolution

model	params (m)	pretrain	finetune	GFLOPs	Top-1
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-1k : 50 : 224	115.0	86.3
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	337.9	88.7
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 512 → IN-1k : 30 : 512	600.8	88.9
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-1k : 100 : 224	34.4	85.8
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 30 : 224	34.4	87.3
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	101.1	88.2
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-1k : 100 : 224	15.4	84.9
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 30 : 224	15.4	86.8
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	45.2	87.7
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-1k : 300 : 224	4.47	83.0
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 90 : 224	4.47	83.9
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 90 : 384	13.1	85.1
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	2.45	81.9
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 90 : 224	2.45	82.1
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 90 : 384	7.21	83.4
ConvNeXt V2-P	9.1	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	1.37	80.3
ConvNeXt V2-F	5.2	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	0.78	78.5
ConvNeXt V2-A	3.7	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	0.55	76.7

model	params (m)	pretrain	finetune	gflops	IN-1k
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-1k : 50 : 224	115.0	86.3/—
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	337.9	88.7/—
ConvNeXt V2-H	660.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 512 → IN-1k : 30 : 512	600.8	88.9/—
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-1k : 100 : 224	34.4	85.8/—
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 30 : 224	34.4	87.3/—
ConvNeXt V2-L	198.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	101.1	88.2/—
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-1k : 100 : 224	15.4	84.9/—
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 30 : 224	15.4	86.8/—
ConvNeXt V2-B	89.0	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 30 : 384	45.2	87.7/—
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-1k : 300 : 224	4.47	83.0/—
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 90 : 224	4.47	83.9/—
ConvNeXt V2-T	28.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 90 : 384	13.1	85.1/—
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	2.45	81.9/—
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 224 → IN-1k : 90 : 224	2.45	82.1/—
ConvNeXt V2-N	15.6	IN-1k : FCMAE : 1600	IN-22k : 90 : 384 → IN-1k : 90 : 384	7.21	83.4/—
ConvNeXt V2-P	9.1	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	1.37	80.3/—
ConvNeXt V2-F	5.2	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	0.78	78.5/—
ConvNeXt V2-A	3.7	IN-1k : FCMAE : 1600	IN-1k : 600 : 224	0.55	76.7/—

COCO (val)

model	pretrain	head	train	gflops	mAP^b	AP^b₅₀	AP^b₇₅	mAP^b_s	mAP^b_m	mAP^b_l
ConvNeXt V2-H	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	2525.0	55.7	75.2	61.8	—	—	—
ConvNeXt V2-L	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	875.0	54.4	73.9	60.4	—	—	—
ConvNeXt V2-B	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	486.0	52.9	72.6	58.9	—	—	—

COCO (val)

model	pretrain	head	train	gflops	mAP^m	AP^m₅₀	AP^m₇₅	mAP^m_s	mAP^m_m	mAP^m_l
ConvNeXt V2-H	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	2525.0	48.9	72.8	53.6	—	—	—
ConvNeXt V2-L	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	875.0	47.7	71.4	52.3	—	—	—
ConvNeXt V2-B	IN-1k : FCMAE : 1600	Mask R-CNN	COCO (train) : 36	486.0	46.6	70.0	51.1	—	—	—

ADE20K (val)

model	pretrain	head	train	gflops	mIoU^ms	pAcc^ms	mAcc^ms	mIoU^ss	pAcc^ss	mAcc^ss
ConvNeXt V2-H	IN-1k : FCMAE : 1600	UPerNet	ADE20K (train) : 128 : 512	3272.0	55.0	—	—	—	—	—
ConvNeXt V2-L	IN-1k : FCMAE : 1600	UPerNet	ADE20K (train) : 128 : 512	1573.0	53.7	—	—	—	—	—
ConvNeXt V2-B	IN-1k : FCMAE : 1600	UPerNet	ADE20K (train) : 128 : 512	1170.0	52.1	—	—	—	—	—