► Keras 3 API 文档 / KerasCV / 模型 / 主干网络 / EfficientNetV1 模型

EfficientNetV1 模型

[源代码]

EfficientNetV1Backbone 类

keras_cv.models.EfficientNetV1Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1 架构。

参考

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。
  • width_coefficient: 浮点数，网络宽度的缩放系数。
  • depth_coefficient: 浮点数，网络深度的缩放系数。
  • dropout_rate: 浮点数，最终分类层之前的 dropout 率。
  • drop_connect_rate: 浮点数，跳跃连接处的 dropout 率。默认值为 0.2。
  • depth_divisor: 整数，网络宽度的单位。默认值为 8。
  • activation: 每个卷积层之间使用的激活函数。
  • input_shape: 可选的形状元组，它应该恰好有 3 个输入通道。
  • input_tensor: 可选的 Keras 张量（即 keras.keras.layers.Input() 的输出），用作模型的图像输入。
  • stackwise_kernel_sizes: 整数列表，每个卷积块使用的内核大小。
  • stackwise_num_repeats: 整数列表，每个卷积块重复的次数。
  • stackwise_input_filters: 整数列表，每个卷积块的输入过滤器数量。
  • stackwise_output_filters: 整数列表，卷积块模型中每个堆栈的输出过滤器数量。
  • stackwise_expansion_ratios: 浮点数列表，传递给挤压和激励块的扩展比率。
  • stackwise_strides: 整数列表，每个卷积块的 stackwise_strides。
  • stackwise_squeeze_and_excite_ratios: 整数列表，传递给挤压和激励块的挤压和激励比率。

示例

# Construct an EfficientNetV1 from a preset:
efficientnet = keras_cv.models.EfficientNetV1Backbone.from_preset(
    "efficientnetv1_b0"
)
images = np.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)

# Alternatively, you can also customize the EfficientNetV1 architecture:
model = EfficientNetV1Backbone(
    stackwise_kernel_sizes=[3, 3, 5, 3, 5, 5, 3],
    stackwise_num_repeats=[1, 2, 2, 3, 3, 4, 1],
    stackwise_input_filters=[32, 16, 24, 40, 80, 112, 192],
    stackwise_output_filters=[16, 24, 40, 80, 112, 192, 320],
    stackwise_expansion_ratios=[1, 6, 6, 6, 6, 6, 6],
    stackwise_strides=[1, 2, 2, 2, 1, 2, 1],
    stackwise_squeeze_and_excite_ratios=[
        0.25,
        0.25,
        0.25,
        0.25,
        0.25,
        0.25,
        0.25,
    ],
    width_coefficient=1.0,
    depth_coefficient=1.0,
    include_rescaling=False,
)
images = np.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)

[源代码]

from_preset 方法

EfficientNetV1Backbone.from_preset()

从预设配置和权重实例化 EfficientNetV1Backbone 模型。

参数

  • preset: 字符串。必须是 "efficientnetv1_b0"、"efficientnetv1_b1"、"efficientnetv1_b2"、"efficientnetv1_b3"、"efficientnetv1_b4"、"efficientnetv1_b5"、"efficientnetv1_b6"、"efficientnetv1_b7" 之一。如果正在寻找具有预训练权重的预设，请选择 "" 中的一个。
  • load_weights: 是否将预训练权重加载到模型中。默认为 None，这取决于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.EfficientNetV1Backbone.from_preset(
    "",
)

# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.EfficientNetV1Backbone.from_preset(
    "",
    load_weights=False,
预设名称 参数 描述
efficientnetv1_b0 4.05M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.0 和 depth_coefficient=1.0。
efficientnetv1_b1 6.58M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.0 和 depth_coefficient=1.1。
efficientnetv1_b2 7.77M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.1 和 depth_coefficient=1.2。
efficientnetv1_b3 10.79M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.2 和 depth_coefficient=1.4。
efficientnetv1_b4 17.68M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.4 和 depth_coefficient=1.8。
efficientnetv1_b5 28.52M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.6 和 depth_coefficient=2.2。
efficientnetv1_b6 40.97M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=1.8 和 depth_coefficient=2.6。
efficientnetv1_b7 64.11M 具有 7 个卷积块的 EfficientNet B 风格架构。此 B 风格模型具有 width_coefficient=2.0 和 depth_coefficient=3.1。

[源代码]

EfficientNetV1B0Backbone 类

keras_cv.models.EfficientNetV1B0Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B0 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B1Backbone 类

keras_cv.models.EfficientNetV1B1Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B1 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B2Backbone 类

keras_cv.models.EfficientNetV1B2Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B2 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B3Backbone 类

keras_cv.models.EfficientNetV1B3Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B3 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B4Backbone 类

keras_cv.models.EfficientNetV1B4Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B4 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B5Backbone 类

keras_cv.models.EfficientNetV1B5Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B5 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B6Backbone 类

keras_cv.models.EfficientNetV1B6Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B6 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。

[源代码]

EfficientNetV1B7Backbone 类

keras_cv.models.EfficientNetV1B7Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    stackwise_squeeze_and_excite_ratios,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="swish",
    **kwargs
)

实例化 EfficientNetV1B7 架构。

参考

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_shape: 可选的形状元组，默认为 (None, None, 3)。
  • input_tensor: 可选的 Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
EfficientNetV1 模型
EfficientNetV1Backbone 类
from_preset 方法
EfficientNetV1B0Backbone 类
EfficientNetV1B1Backbone 类
EfficientNetV1B2Backbone 类
EfficientNetV1B3Backbone 类
EfficientNetV1B4Backbone 类
EfficientNetV1B5Backbone 类
EfficientNetV1B6Backbone 类
EfficientNetV1B7Backbone 类