图像分割器

[源代码]

ImageSegmenter

keras_hub.models.ImageSegmenter(*args, compile=True, **kwargs)

所有图像分割任务的基类。

ImageSegmenter 任务封装了 keras_hub.models.Taskkeras_hub.models.Preprocessor,以创建可用于图像分割的模型。

所有 ImageSegmenter 任务都包含一个 from_preset() 构造函数,可用于加载预训练配置和权重。


[源代码]

from_preset 方法

ImageSegmenter.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Task

预设是一个包含配置、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:

  1. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Task 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。

此构造函数可以通过两种方式调用:从特定于任务的基类(例如 keras_hub.models.CausalLM.from_preset()),或从模型类(例如 keras_hub.models.BertTextClassifier.from_preset())。如果从基类调用,返回对象的子类将从预设目录中的配置推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights: 布尔值。如果为 True,已保存的权重将被加载到模型架构中。如果为 False,所有权重将被随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
预设 参数 描述
basnet_duts 108.89M 带有 34 层 ResNet 骨干网络的 BASNet 模型,在 288x288 分辨率的 DUTS 图像数据集上预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。
deeplab_v3_plus_resnet50_pascalvoc 39.19M DeepLabV3+ 模型,以 ResNet50 作为图像编码器,并在由语义边界数据集(SBD)增强的 Pascal VOC 数据集上训练,分类准确率为 90.01,平均 IoU 为 0.63。
sam_base_sa1b 93.74M 在 SA1B 数据集上训练的基础 SAM 模型。
sam_huge_sa1b 312.34M 在 SA1B 数据集上训练的巨型 SAM 模型。
sam_large_sa1b 641.09M 在 SA1B 数据集上训练的大型 SAM 模型。
segformer_b0_ade20k_512 3.72M SegFormer 模型,MiTB0 主干,在 512x512 分辨率下在 ADE20k 上微调。
segformer_b0_cityscapes_1024 3.72M SegFormer 模型,MiTB0 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。
segformer_b1_ade20k_512 13.68M SegFormer 模型,MiTB1 主干,在 512x512 分辨率下在 ADE20k 上微调。
segformer_b1_cityscapes_1024 13.68M SegFormer 模型,MiTB1 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。
segformer_b2_ade20k_512 24.73M SegFormer 模型,MiTB2 主干,在 512x512 分辨率下在 ADE20k 上微调。
segformer_b2_cityscapes_1024 24.73M SegFormer 模型,MiTB2 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。
segformer_b3_ade20k_512 44.60M SegFormer 模型,MiTB3 主干,在 512x512 分辨率下在 ADE20k 上微调。
segformer_b3_cityscapes_1024 44.60M SegFormer 模型,MiTB3 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。
segformer_b4_ade20k_512 61.37M SegFormer 模型,MiTB4 主干,在 512x512 分辨率下在 ADE20k 上微调。
segformer_b4_cityscapes_1024 61.37M SegFormer 模型,MiTB4 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。
segformer_b5_ade20k_640 81.97M SegFormer 模型,MiTB5 主干,在 640x640 分辨率下在 ADE20k 上微调。
segformer_b5_cityscapes_1024 81.97M SegFormer 模型,MiTB5 主干,在 1024x1024 分辨率下在 Cityscapes 上微调。

[源代码]

compile 方法

ImageSegmenter.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)

配置 ImageSegmenter 任务进行训练。

ImageSegmenter 任务扩展了 keras.Model.compile 的默认编译签名,并带有 optimizerlossmetrics 的默认值。要覆盖这些默认值,请在编译期间将任何值传递给这些参数。

参数

  • optimizer: "auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto",它使用给定模型和任务的默认优化器。有关可能的 optimizer 值的更多信息,请参阅 keras.Model.compilekeras.optimizers
  • loss: "auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto",其中将为分类任务应用 keras.losses.SparseCategoricalCrossentropy 损失。有关可能的 loss 值的更多信息,请参阅 keras.Model.compilekeras.losses
  • metrics: "auto",或在训练和测试期间由模型评估的指标列表。默认为 "auto",其中将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪训练期间模型的准确性。有关可能的 metrics 值的更多信息,请参阅 keras.Model.compilekeras.metrics
  • **kwargs:有关 compile 方法支持的完整参数列表,请参阅 keras.Model.compile

[源代码]

save_to_preset 方法

ImageSegmenter.save_to_preset(preset_dir, max_shard_size=10)

将任务保存到预设目录。

参数

  • preset_dir:本地模型预设目录的路径。
  • max_shard_sizeintfloat。每个分片文件的最大大小(以 GB 为单位)。如果为 None,则不进行分片。默认为 10

preprocessor 属性

keras_hub.models.ImageSegmenter.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。


backbone 属性

keras_hub.models.ImageSegmenter.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。