CSPDarkNet 主干网络
CSPDarkNetBackbone 类
keras_cv.models.CSPDarkNetBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
此类表示 CSPDarkNet 架构。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- stackwise_channels：整数列表，模型中每个暗层的通道数。
- stackwise_depth：整数列表，模型中每个暗层的深度。
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - use_depthwise：布尔值，是否应使用
DarknetConvBlockDepthwise而不是DarknetConvBlock，默认为 False。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
- input_tensor：可选的 Keras 张量（即
keras.layers.Input()的输出），用作模型的图像输入。
返回值
一个keras.Model 实例。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet"
)
output = model(input_data)
# Randomly initialized backbone with a custom config
model = keras_cv.models.CSPDarkNetBackbone(
stackwise_channels=[128, 256, 512, 1024],
stackwise_depth=[3, 9, 9, 3],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
CSPDarkNetBackbone.from_preset()
从预设配置和权重实例化 CSPDarkNetBackbone 模型。
参数
- preset：字符串。必须是 "csp_darknet_tiny"、"csp_darknet_s"、"csp_darknet_m"、"csp_darknet_l"、"csp_darknet_xl"、"csp_darknet_tiny_imagenet"、"csp_darknet_l_imagenet" 之一。如果正在寻找具有预训练权重的预设，请选择 "csp_darknet_tiny_imagenet" 或 "csp_darknet_l_imagenet" 之一。
- load_weights：是否将预训练权重加载到模型中。默认为
None，这遵循预设是否有可用的预训练权重。
示例
# Load architecture and weights from preset
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet",
load_weights=False,
| 预设名称 | 参数 | 描述 |
|---|---|---|
| csp_darknet_tiny | 2.38M | CSPDarkNet 模型，具有 [48, 96, 192, 384] 个通道和 [1, 3, 3, 1] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。 |
| csp_darknet_s | 4.22M | CSPDarkNet 模型，具有 [64, 128, 256, 512] 个通道和 [1, 3, 3, 1] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。 |
| csp_darknet_m | 12.37M | CSPDarkNet 模型，具有 [96, 192, 384, 768] 个通道和 [2, 6, 6, 2] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。 |
| csp_darknet_l | 27.11M | CSPDarkNet 模型，具有 [128, 256, 512, 1024] 个通道和 [3, 9, 9, 3] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。 |
| csp_darknet_xl | 56.84M | CSPDarkNet 模型，具有 [170, 340, 680, 1360] 个通道和 [4, 12, 12, 4] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。 |
| csp_darknet_tiny_imagenet | 2.38M | CSPDarkNet 模型，具有 [48, 96, 192, 384] 个通道和 [1, 3, 3, 1] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。在 ImageNet 2012 分类任务上训练。 |
| csp_darknet_l_imagenet | 27.11M | CSPDarkNet 模型，具有 [128, 256, 512, 1024] 个通道和 [3, 9, 9, 3] 个深度，其中批归一化和 SiLU 激活应用于卷积层之后。在 ImageNet 2012 分类任务上训练。 |
CSPDarkNetTinyBackbone 类
keras_cv.models.CSPDarkNetTinyBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
具有 [48, 96, 192, 384] 个通道和 [1, 3, 3, 1] 个深度的 CSPDarkNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetTinyBackbone()
output = model(input_data)
CSPDarkNetSBackbone 类
keras_cv.models.CSPDarkNetSBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
具有 [64, 128, 256, 512] 个通道和 [1, 3, 3, 1] 个深度的 CSPDarkNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetSBackbone()
output = model(input_data)
CSPDarkNetMBackbone 类
keras_cv.models.CSPDarkNetMBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
具有 [96, 192, 384, 768] 个通道和 [2, 6, 6, 2] 个深度的 CSPDarkNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetMBackbone()
output = model(input_data)
CSPDarkNetLBackbone 类
keras_cv.models.CSPDarkNetLBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
具有 [128, 256, 512, 1024] 个通道和 [3, 9, 9, 3] 个深度的 CSPDarkNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetLBackbone()
output = model(input_data)
CSPDarkNetXLBackbone 类
keras_cv.models.CSPDarkNetXLBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
具有 [170, 340, 680, 1360] 个通道和 [4, 12, 12, 4] 个深度的 CSPDarkNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(1/255.0)层。 - input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetXLBackbone()
output = model(input_data)