BASNetBackbone
类keras_hub.models.BASNetBackbone(
image_encoder,
num_classes,
image_shape=(None, None, 3),
projection_filters=64,
prediction_heads=None,
refinement_head=None,
dtype=None,
**kwargs
)
用于语义分割的 BASNet 架构。
一个实现了 BASNet 架构的 Keras 模型,该架构在 BASNet: Boundary-Aware Segmentation Network for Mobile and Web Applications 中有描述。BASNet 使用预测-细化架构来实现高精度的图像分割。
参数
keras_hub.models.ResNetBackbone
实例。用作 BASNet 预测编码器特征提取器的模型骨干网络。目前支持的骨干网络是 ResNet18 和 ResNet34。(注意:不要在骨干网络中指定 image_shape
。请在初始化 'BASNetBackbone' 模型时提供这些参数)backbone
中的低级特征进行投影的卷积层中的滤波器数量。keras.layers.Layer
的列表,定义模型的预测模块头部。如果未提供,则会创建一个默认头部,包含一个 Conv2D 层,后跟缩放(resizing)。keras.layers.Layer
,定义模型的细化模块头部。如果未提供,则会创建一个默认头部,包含一个 Conv2D 层。None
、str 或 keras.mixed_precision.DTypePolicy
。用于模型计算和权重的 dtype。from_preset
方法BASNetBackbone.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Backbone
。
预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset
可以以下列形式之一传递:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
此构造函数可以通过两种方式之一调用。可以从基类调用,例如 keras_hub.models.Backbone.from_preset()
,也可以从模型类调用,例如 keras_hub.models.GemmaBackbone.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。
对于任何 Backbone
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。
参数
True
,权重将被加载到模型架构中。如果为 False
,权重将被随机初始化。示例
# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
"gemma_2b_en",
)
# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
"bert_base_en",
load_weights=False,
)
预设 | 参数 | 描述 |
---|---|---|
basnet_duts | 108.89M | BASNet 模型,使用 34 层 ResNet 骨干网络,在 DUTS 图像数据集上以 288x288 分辨率进行了预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。 |