EfficientNetV2 模型
EfficientNetV2Backbone 类
keras_cv.models.EfficientNetV2Backbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
- stackwise_kernel_sizes：整数列表，用于每个卷积块的内核大小。
- stackwise_num_repeats：整数列表，每个卷积块的重复次数。
- 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_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。
- stackwise_strides：整数列表，每个卷积块的步长。
- stackwise_conv_types：字符串列表。每个值都是 'unfused' 或 'fused'，具体取决于所需的块。FusedMBConvBlock 类似于 MBConvBlock，但融合块使用单个 3x3 卷积块，而不是使用深度卷积和 1x1 输出卷积块。
- skip_connection_dropout：浮点数，跳过连接时的 dropout 率。
- depth_divisor：整数，网络宽度的一个单位。
- min_depth：整数，最小过滤器数量。
- activation：每个卷积层之间使用的激活函数。
- 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。
示例
# Construct an EfficientNetV2 from a preset:
efficientnet = keras_cv.models.EfficientNetV2Backbone.from_preset(
"efficientnetv2_s"
)
images = tf.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)
# Alternatively, you can also customize the EfficientNetV2 architecture:
model = EfficientNetV2Backbone(
stackwise_kernel_sizes=[3, 3, 3, 3, 3, 3],
stackwise_num_repeats=[2, 4, 4, 6, 9, 15],
stackwise_input_filters=[24, 24, 48, 64, 128, 160],
stackwise_output_filters=[24, 48, 64, 128, 160, 256],
stackwise_expansion_ratios=[1, 4, 4, 4, 6, 6],
stackwise_squeeze_and_excite_ratios=[0.0, 0.0, 0, 0.25, 0.25, 0.25],
stackwise_strides=[1, 2, 2, 2, 1, 2],
stackwise_conv_types=[
"fused",
"fused",
"fused",
"unfused",
"unfused",
"unfused",
],
width_coefficient=1.0,
depth_coefficient=1.0,
include_rescaling=False,
)
images = tf.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)
from_preset 方法
EfficientNetV2Backbone.from_preset()
从预设配置和权重实例化 EfficientNetV2Backbone 模型。
参数
- preset：字符串。必须是 "efficientnetv2_s"、"efficientnetv2_m"、"efficientnetv2_l"、"efficientnetv2_b0"、"efficientnetv2_b1"、"efficientnetv2_b2"、"efficientnetv2_b3"、"efficientnetv2_s_imagenet"、"efficientnetv2_b0_imagenet"、"efficientnetv2_b1_imagenet"、"efficientnetv2_b2_imagenet" 之一。如果要查找具有预训练权重的预设，请选择 "efficientnetv2_s_imagenet"、"efficientnetv2_b0_imagenet"、"efficientnetv2_b1_imagenet"、"efficientnetv2_b2_imagenet" 之一。
- 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.EfficientNetV2Backbone.from_preset(
"efficientnetv2_s_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.EfficientNetV2Backbone.from_preset(
"efficientnetv2_s_imagenet",
load_weights=False,
| 预设名称 | 参数 | 描述 |
|---|---|---|
| efficientnetv2_s | 20.33M | 具有 6 个卷积块的 EfficientNet 架构。 |
| efficientnetv2_m | 53.15M | 具有 7 个卷积块的 EfficientNet 架构。 |
| efficientnetv2_l | 117.75M | 具有 7 个卷积块的 EfficientNet 架构，但在 efficientnetv2_m 中具有更多过滤器。 |
| efficientnetv2_b0 | 5.92M | 具有 6 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。 |
| efficientnetv2_b1 | 6.93M | 具有 6 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。 |
| efficientnetv2_b2 | 8.77M | 具有 6 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。 |
| efficientnetv2_b3 | 12.93M | 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。 |
| efficientnetv2_s_imagenet | 20.33M | 具有 6 个卷积块的 EfficientNet 架构。权重初始化为预训练的 ImageNet 分类权重。已发布的权重能够在 ImageNet 上获得 83.9% 的 top 1 准确率和 96.7% 的 top 5 准确率。 |
| efficientnetv2_b0_imagenet | 5.92M | 具有 6 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。权重初始化为预训练的 ImageNet 分类权重。已发布的权重能够在 ImageNet 上获得 77.1% 的 top 1 准确率和 93.3% 的 top 5 准确率。 |
| efficientnetv2_b1_imagenet | 6.93M | 具有 6 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。权重初始化为预训练的 ImageNet 分类权重。已发布的权重能够在 ImageNet 上获得 79.1% 的 top 1 准确率和 94.4% 的 top 5 准确率。 |
| efficientnetv2_b2_imagenet | 8.77M | 具有 6 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。权重初始化为预训练的 ImageNet 分类权重。已发布的权重能够在 ImageNet 上获得 80.1% 的 top 1 准确率和 94.9% 的 top 5 准确率。 |
EfficientNetV2B0Backbone 类
keras_cv.models.EfficientNetV2B0Backbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2B0 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2B1Backbone 类
keras_cv.models.EfficientNetV2B1Backbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2B1 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2B2Backbone 类
keras_cv.models.EfficientNetV2B2Backbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2B2 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2B3Backbone 类
keras_cv.models.EfficientNetV2B3Backbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2B3 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2SBackbone 类
keras_cv.models.EfficientNetV2SBackbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2S 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2MBackbone 类
keras_cv.models.EfficientNetV2MBackbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2M 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。
EfficientNetV2LBackbone 类
keras_cv.models.EfficientNetV2LBackbone(
include_rescaling,
width_coefficient,
depth_coefficient,
stackwise_kernel_sizes,
stackwise_num_repeats,
stackwise_input_filters,
stackwise_output_filters,
stackwise_expansion_ratios,
stackwise_squeeze_and_excite_ratios,
stackwise_strides,
stackwise_conv_types,
skip_connection_dropout=0.2,
depth_divisor=8,
min_depth=8,
activation="swish",
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
实例化 EfficientNetV2L 架构。
参考
- EfficientNetV2：更小的模型和更快的训练 (ICML 2021)
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。