Какие backbone'ы выбирать в 2024-2025: ConvNeXt v2 / EfficientNetV2 / Swin Transformer v2 / MaxViT vs классический ResNet/ViT?

В 2024-2025 классический ResNet-50 и ванильный ViT-B/16 уже не оптимальны — их обогнали современные модели по top-1 / params / latency. Главные кандидаты: ConvNeXt v2 (чисто свёрточный, 88.9% top-1 для V2-Huge, FCMAE pretrain), EfficientNetV2 (FusedMBConv + progressive learning, лучший params/accuracy для свёрточных), Swin Transformer v2 (hierarchical windowed attention, отличный feature extractor для detection/segmentation), MaxViT (hybrid conv+transformer, multi-axis attention). Загружаются через timm одной строкой. Для edge — MobileNetV3 / EfficientNet-Lite.