KerasHub: 预训练模型 / API 文档 / 模型架构 / BASNet / BASNetPreprocessor 层

BASNetPreprocessor 层

[source]

BASNetPreprocessor

keras_hub.models.BASNetPreprocessor(
    image_converter=None, resize_output_mask=False, **kwargs
)

图像分割预处理层的基类。

ImageSegmenterPreprocessor 包装了一个 keras_hub.layers.ImageConverter,用于创建图像分割任务的预处理层。它旨在与 keras_hub.models.ImageSegmenter 任务配对使用。

所有 ImageSegmenterPreprocessor 实例都接收三个输入:xysample_weight

  • x:第一个输入,应始终包含。它可以是单个图像或一批图像。
  • y:(可选)通常是分割掩码,如果 resize_output_mask 设置为 True,它将被调整为输入图像的形状,否则将原样传递。
  • sample_weight:(可选)将原样传递。
  • resize_output_mask bool:如果设置为 True,则输出掩码将被调整为与输入图像相同的大小。默认为 False

如果提供了标签,该层将输出 x(x, y) 元组;如果提供了标签和样本权重,则输出 (x, y, sample_weight) 元组。x 将是应用所有模型预处理后的输入图像。

所有 ImageSegmenterPreprocessor 任务都包含一个 from_preset() 构造函数,可用于加载预训练配置。您可以直接在此基类上调用 from_preset() 构造函数,在这种情况下,将自动实例化适用于您的模型的正确类。

示例。

preprocessor = keras_hub.models.ImageSegmenterPreprocessor.from_preset(
    "deeplabv3_resnet50",
)

# Resize a single image for the model.
x = np.ones((512, 512, 3))
x = preprocessor(x)

# Resize an image and its mask.
x, y = np.ones((512, 512, 3)), np.zeros((512, 512, 1))
x, y = preprocessor(x, y)

# Resize a batch of images and masks.
x, y = [np.ones((512, 512, 3)), np.zeros((512, 512, 3))],
       [np.ones((512, 512, 1)), np.zeros((512, 512, 1))]
x, y = preprocessor(x, y)

# Use a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

[source]

from_preset 方法

BASNetPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)

从模型预设实例化 keras_hub.models.Preprocessor

预设是用于保存和加载预训练模型的配置、权重及其他文件资产的目录。preset 可以作为以下之一传递:

  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 Preprocessor 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。

由于给定模型通常有多个预处理类,因此应在特定的子类上调用此方法,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()

参数

  • preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设 参数 描述
basnet_duts 108.89M 采用 34 层 ResNet 主干的 BASNet 模型,在 DUTS 图像数据集上以 288x288 分辨率进行预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。

image_converter 属性

keras_hub.models.BASNetPreprocessor.image_converter

用于预处理图像数据的图像转换器。