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，以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。一种方式是从特定任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，另一种方式是从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。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出来。
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，采用 MiTB0 主干，在 ADE20k 数据集上以 512x512 分辨率进行微调。 |
| segformer_b0_cityscapes_1024 | 3.72M | SegFormer 模型，采用 MiTB0 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
| segformer_b1_ade20k_512 | 13.68M | SegFormer 模型，采用 MiTB1 主干，在 ADE20k 数据集上以 512x512 分辨率进行微调。 |
| segformer_b1_cityscapes_1024 | 13.68M | SegFormer 模型，采用 MiTB1 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
| segformer_b2_ade20k_512 | 24.73M | SegFormer 模型，采用 MiTB2 主干，在 ADE20k 数据集上以 512x512 分辨率进行微调。 |
| segformer_b2_cityscapes_1024 | 24.73M | SegFormer 模型，采用 MiTB2 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
| segformer_b3_ade20k_512 | 44.60M | SegFormer 模型，采用 MiTB3 主干，在 ADE20k 数据集上以 512x512 分辨率进行微调。 |
| segformer_b3_cityscapes_1024 | 44.60M | SegFormer 模型，采用 MiTB3 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
| segformer_b4_ade20k_512 | 61.37M | SegFormer 模型，采用 MiTB4 主干，在 ADE20k 数据集上以 512x512 分辨率进行微调。 |
| segformer_b4_cityscapes_1024 | 61.37M | SegFormer 模型，采用 MiTB4 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
| segformer_b5_ade20k_640 | 81.97M | SegFormer 模型，采用 MiTB5 主干，在 ADE20k 数据集上以 640x640 分辨率进行微调。 |
| segformer_b5_cityscapes_1024 | 81.97M | SegFormer 模型，采用 MiTB5 主干，在 Cityscapes 数据集上以 1024x1024 分辨率进行微调。 |
compile 方法ImageSegmenter.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)
配置 ImageSegmenter 任务进行训练。
ImageSegmenter 任务通过为 optimizer、loss 和 metrics 设置默认值，扩展了 keras.Model.compile 的默认编译签名。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"，它会为给定的模型和任务使用默认优化器。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"，此时将为分类任务应用 keras.losses.SparseCategoricalCrossentropy 损失。有关可能的 loss 值，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度量列表。默认为 "auto"，此时将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪模型在训练期间的准确度。有关可能的 metrics 值，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。