ImageSegmenter

[源]

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。


[源]

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:

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

  • preset: string. 内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: bool. 如果为 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。

[源]

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 optimizerlossmetrics 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

  • 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",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.compilekeras.losses
  • metrics: "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.compilekeras.metrics
  • **kwargs: 有关 compile 方法支持的完整参数列表,请参阅 keras.Model.compile

[源]

save_to_preset 方法

ImageSegmenter.save_to_preset(preset_dir)

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。

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。