DeepLabV3图像分割预处理器层
DeepLabV3ImageSegmenterPreprocessor 类
keras_hub.models.DeepLabV3ImageSegmenterPreprocessor(
image_converter=None, resize_output_mask=False, **kwargs
)
图像分割预处理层的基类。
ImageSegmenterPreprocessor 包装了一个 keras_hub.layers.ImageConverter，以创建用于图像分割任务的预处理层。它旨在与 keras_hub.models.ImageSegmenter 任务配对使用。
所有 ImageSegmenterPreprocessor 实例都接收三个输入：x、y 和 sample_weight。
x：第一个输入，应始终包含。它可以是图像或图像批次。y： （可选）通常是分割掩码，如果resize_output_mask设置为True，则将其调整为输入图像形状，否则将原样传递。sample_weight： （可选）将原样传递。resize_output_mask布尔值：如果设置为True，则输出掩码将调整为与输入图像相同的大小。默认为False。
该层将输出 x，如果提供了标签，则输出 (x, y) 元组，如果提供了标签和样本权重，则输出 (x, y, sample_weight) 元组。x 将是在应用所有模型预处理后得到的输入图像。
所有 ImageSegmenterPreprocessor 任务都包含一个 from_preset() 构造函数，可用于加载预训练配置。您可以直接在此基类上调用 from_preset() 构造函数，在这种情况下，将自动实例化适合您的模型的正确类。
示例。
preprocessor = keras_hub.models.ImageSegmenterPreprocessor.from_preset(
"deeplabv3_resnet50",
)
# Resize a single image for the model.
x = np.ones((512, 512, 3))
x = preprocessor(x)
# Resize an image and its mask.
x, y = np.ones((512, 512, 3)), np.zeros((512, 512, 1))
x, y = preprocessor(x, y)
# Resize a batch of images and masks.
x, y = [np.ones((512, 512, 3)), np.zeros((512, 512, 3))],
[np.ones((512, 512, 1)), np.zeros((512, 512, 1))]
x, y = preprocessor(x, y)
# Use a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
DeepLabV3ImageSegmenterPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
预设是配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递
- 内置预设标识符，如
'bert_base_en' - Kaggle Models 句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 本地预设目录的路径，如
'./bert_base_en'
对于任何 Preprocessor 子类，您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。
由于给定模型通常有多个预处理类，因此应在特定子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
- preset：字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| deeplabv3_plus_resnet50_pascalvoc | 39.19M | 使用 ResNet50 作为图像编码器的 DeepLabV3+ 模型，并在通过语义边界数据集 (SBD) 增强的 Pascal VOC 数据集上训练，该数据集的分类准确率为 90.01，平均 IoU 为 0.63。 |
image_converter 属性
keras_hub.models.DeepLabV3ImageSegmenterPreprocessor.image_converter
用于预处理图像数据的图像转换器。