BASNetImageSegmenter
类keras_hub.models.BASNetImageSegmenter(backbone, preprocessor=None, **kwargs)
BASNet 图像分割任务。
参数
keras_hub.models.BASNetBackbone
实例。None
,一个 keras_hub.models.Preprocessor
实例,一个 keras.Layer
实例,或者一个可调用对象。如果为 None
,则不会对输入应用预处理。示例
import keras_hub
images = np.ones(shape=(1, 288, 288, 3))
labels = np.zeros(shape=(1, 288, 288, 1))
image_encoder = keras_hub.models.ResNetBackbone.from_preset(
"resnet_18_imagenet",
load_weights=False
)
backbone = keras_hub.models.BASNetBackbone(
image_encoder,
num_classes=1,
image_shape=[288, 288, 3]
)
model = keras_hub.models.BASNetImageSegmenter(backbone)
# Evaluate the model
pred_labels = model(images)
# Train the model
model.compile(
optimizer="adam",
loss=keras.losses.BinaryCrossentropy(from_logits=False),
metrics=["accuracy"],
)
model.fit(images, labels, epochs=3)
from_preset
方法BASNetImageSegmenter.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、权重和其他文件资产的目录。preset
可以作为以下之一传入:
'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。要么从任务特定的基类(如 keras_hub.models.CausalLM.from_preset()
)调用,要么从模型类(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
,则会将保存的权重加载到模型架构中。如果为 False
,则所有权重将随机初始化。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 主干网络的 BASNet 模型,在 288x288 分辨率的 DUTS 图像数据集上进行了预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。 |
backbone
属性keras_hub.models.BASNetImageSegmenter.backbone
一个具有核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.BASNetImageSegmenter.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。