CSPNetBackbone 模型

[源代码]

CSPNetBackbone 类

keras_hub.models.CSPNetBackbone(
    stem_filters,
    stem_kernel_size,
    stem_strides,
    stackwise_depth,
    stackwise_strides,
    stackwise_num_filters,
    block_type,
    groups=1,
    stage_type=None,
    activation="leaky_relu",
    output_strides=32,
    bottle_ratio=[1.0],
    block_ratio=[1.0],
    expand_ratio=[1.0],
    stem_padding="valid",
    stem_pooling=None,
    avg_down=False,
    down_growth=False,
    cross_linear=False,
    image_shape=(None, None, 3),
    data_format=None,
    dtype=None,
    **kwargs
)

此类代表 Keras CSPNet 模型的主干。

此类实现了 CSPNet: A New Backbone that can Enhance Learning Capability of CNN 中所述的 CSPNet 主干。

参数

• stem_filters：int 或 int 列表，表示 stem 的滤波器大小。
• stem_kernel_size：int 或 2 个整数的元组/列表，表示 stem 的卷积核大小。
• stem_strides：int 或 2 个整数的元组/列表，表示 stem 的卷积步长。
• stackwise_num_filters：int 列表，表示模型中每个块级别的滤波器大小。
• stackwise_strides：int 或 int 的元组/列表，表示模型中每个块级别的步长。
• stackwise_depth：int 列表，表示模型中每个块级别的深度（块的数量）。
• block_type：str。可选值包括 "bottleneck_block"、"dark_block" 或 "edge_block"。使用 "dark_block" 表示 DarkNet 块，使用 "edge_block" 表示 EdgeResidual / Fused-MBConv 块。
• groups：int，指定输入沿通道轴分割的组数。默认为 1。
• stage_type：str。可选值包括 "csp"、"dark" 或 "cs3"。使用 "dark" 表示 DarkNet 阶段，使用 "csp" 表示 Cross Stage，使用 "cs3" 表示只有一次转换卷积的 Cross Stage。默认为 None，该值会进一步默认为 "cs3"。
• activation：str。模型的激活函数。
• output_strides：int，主干模型的输出步长。必须是 (8, 16, 32) 之一。默认为 32。
• bottle_ratio：float 或 float 的元组/列表。中间瓶颈空间的维度（即瓶颈卷积的输出滤波器数量），计算方式为 (filters * bottle_ratio)，并应用于
  • "dark_block" 和 "edge_block" 的第一个卷积
  • 每个阶段 "bottleneck_block" 的前两个卷积。默认为 1.0。
• block_ratio：float 或 float 的元组/列表。每个阶段块的滤波器大小，计算方式为 (stackwise_num_filters * block_ratio)。默认为 1.0。
• expand_ratio：float 或 float 的元组/列表。"csp" 和 "cs3" 阶段在不同级别的滤波器比例。默认为 1.0。
• stem_padding：str，stem 的填充值，可以是 "valid" 或 "same"。默认为 "valid"。
• stem_pooling：str，stem 的池化值。默认为 None。
• avg_down：bool，如果为 True，则在每个阶段的开始处应用 AveragePooling2D（当 strides == 2 时）。默认为 False。
• down_growth：bool，将下采样通道增长到输出通道。仅适用于 Cross Stage。默认为 False。
• cross_linear：bool，如果为 True，则不会在扩展卷积后应用激活函数。仅适用于 Cross Stage。默认为 False。
• data_format: None或str。如果指定，则为"channels_last"或"channels_first"。输入维度的顺序。"channels_last"对应于形状为(batch_size, height, width, channels)的输入，而"channels_first"对应于形状为(batch_size, channels, height, width)的输入。它默认为Keras配置文件~/.keras/keras.json中找到的image_data_format值。如果您从未设置过，则默认为"channels_last"。
• image_shape: 元组。不带批量大小的输入形状。默认为 (None, None, 3)。
• dtype：None 或 str 或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。

示例

input_data = np.ones(shape=(8, 224, 224, 3))

# Pretrained backbone
model = keras_hub.models.CSPNetBackbone.from_preset(
    "csp_darknet_53_ra_imagenet"
)
model(input_data)

# Randomly initialized backbone with a custom config
model = keras_hub.models.CSPNetBackbone(
    stem_filters=32,
    stem_kernel_size=3,
    stem_strides=1,
    stackwise_depth=[1, 2, 4],
    stackwise_strides=[1, 2, 2],
    stackwise_num_filters=[32, 64, 128],
    block_type="dark,
)
model(input_data)

[源代码]

from_preset 方法

CSPNetBackbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 一个本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将根据预设目录中的配置进行推断。

对于任何 Backbone 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。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `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,
)