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 keras_hub.models.Task
和 keras_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。
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:
'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
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。 |
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 optimizer
、loss
和 metrics
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
"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"
,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.compile
和 keras.losses
。"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.compile
和 keras.metrics
。keras.Model.compile
。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
int
或 float
。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。