ImageSegmenter
类keras_hub.models.ImageSegmenter(*args, compile=True, **kwargs)
所有图像分割任务的基类。
ImageSegmenter
任务封装了一个 keras_hub.models.Task
和一个 keras_hub.models.Preprocessor
,用于创建一个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,可用于加载预训练的配置和权重。
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
。
预设是用于保存和加载预训练模型的配置、权重和其他文件资源的目录。preset
可以通过以下方式之一传入:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Task
子类,您可以运行 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之一调用。可以从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset()
,或者从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()
。如果从基类调用,则返回对象的子类将从预设目录中的配置推断出来。
参数
True
,将加载保存的权重到模型架构中。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 | 具有 34 层 ResNet 主干的 BASNet 模型,在 288x288 分辨率的 DUTS 图像数据集上进行预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。 |
deeplab_v3_plus_resnet50_pascalvoc | 39.19M | 使用 ResNet50 作为图像编码器并在 Semantic Boundaries Dataset(SBD) 增强的 Pascal VOC 数据集上训练的 DeepLabV3+ 模型,其分类准确率为 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 数据集上训练的巨大 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 | 具有 MiTB0 主干的 SegFormer 模型,在 512x512 分辨率的 ADE20k 上进行了微调。 |
segformer_b0_cityscapes_1024 | 3.72M | 具有 MiTB0 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
segformer_b1_ade20k_512 | 13.68M | 具有 MiTB1 主干的 SegFormer 模型,在 512x512 分辨率的 ADE20k 上进行了微调。 |
segformer_b1_cityscapes_1024 | 13.68M | 具有 MiTB1 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
segformer_b2_ade20k_512 | 24.73M | 具有 MiTB2 主干的 SegFormer 模型,在 512x512 分辨率的 ADE20k 上进行了微调。 |
segformer_b2_cityscapes_1024 | 24.73M | 具有 MiTB2 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
segformer_b3_ade20k_512 | 44.60M | 具有 MiTB3 主干的 SegFormer 模型,在 512x512 分辨率的 ADE20k 上进行了微调。 |
segformer_b3_cityscapes_1024 | 44.60M | 具有 MiTB3 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
segformer_b4_ade20k_512 | 61.37M | 具有 MiTB4 主干的 SegFormer 模型,在 512x512 分辨率的 ADE20k 上进行了微调。 |
segformer_b4_cityscapes_1024 | 61.37M | 具有 MiTB4 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
segformer_b5_ade20k_640 | 81.97M | 具有 MiTB5 主干的 SegFormer 模型,在 640x640 分辨率的 ADE20k 上进行了微调。 |
segformer_b5_cityscapes_1024 | 81.97M | 具有 MiTB5 主干的 SegFormer 模型,在 1024x1024 分辨率的 Cityscapes 上进行了微调。 |
compile
方法ImageSegmenter.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)
配置用于训练的 ImageSegmenter
任务。
ImageSegmenter
任务扩展了 keras.Model.compile
的默认编译签名,并为 optimizer
、loss
和 metrics
设置了默认值。要覆盖这些默认值,请在编译期间为这些参数传入任何值。
参数
"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.compile
和 keras.optimizers
。"auto"
、损失名称或 keras.losses.Loss
实例。默认为 "auto"
,在这种情况下,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.compile
和 keras.losses
。"auto"
,或模型在训练和测试期间评估的指标列表。默认为 "auto"
,在这种情况下,将应用 keras.metrics.SparseCategoricalAccuracy
来跟踪模型在训练期间的准确性。有关可能的 metrics
值的更多信息,请参阅 keras.Model.compile
和 keras.metrics
。keras.Model.compile
。save_to_preset
方法ImageSegmenter.save_to_preset(preset_dir)
将任务保存到预设目录。
参数
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
具有核心架构的 keras_hub.models.Backbone
模型。