DFineObjectDetectorPreprocessor 类keras_hub.models.DFineObjectDetectorPreprocessor(image_converter=None, **kwargs)
目标检测预处理层的基类。
ObjectDetectorPreprocessor 任务包装一个 keras_hub.layers.Preprocessor 来创建一个用于目标检测任务的预处理层。它旨在与 keras_hub.models.ImageObjectDetector 任务配对使用。
所有 ObjectDetectorPreprocessor 都接受三个输入:x、y 和 sample_weight。x 是第一个输入,应始终包含。它可以是图像或图像批次。请参阅下面的示例。y 和 sample_weight 是可选输入,将原样传递。通常,y 是一个字典,格式为 `{"boxes": Tensor(batch_size, num_boxes, 4), "classes": (batch_size, num_boxes)}`。
该层将返回 x,如果提供了标签,则返回 (x, y) 元组,如果提供了标签和样本权重,则返回 (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 ObjectDetectorPreprocessor 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词汇表。您可以直接在此基类上调用 from_preset() 构造函数,在这种情况下,将自动实例化适合您模型的正确类。
参数
示例。
preprocessor = keras_hub.models.ObjectDetectorPreprocessor.from_preset(
"retinanet_resnet50",
)
----
<span style="float:right;">[[source]](https://github.com/keras-team/keras-hub/tree/v0.23.0/keras_hub/src/models/preprocessor.py#L132)</span>
### `from_preset` method
```python
DFineObjectDetectorPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
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 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。
由于一个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
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 |
|---|---|---|
| dfine_nano_coco | 3.79M | D-FINE Nano 模型,该系列中最小的变体,在 COCO 数据集上进行了预训练。非常适合计算资源有限的应用。 |
| dfine_small_coco | 10.33M | D-FINE Small 模型在 COCO 数据集上进行了预训练。在性能和计算效率之间取得了平衡。 |
| dfine_small_obj2coco | 10.33M | D-FINE Small 模型首先在 Objects365 上预训练,然后又在 COCO 上进行了微调,结合了广泛的特征学习和基准特定适应。 |
| dfine_small_obj365 | 10.62M | D-FINE Small 模型在大规模 Objects365 数据集上进行了预训练,增强了其识别各种对象的能力。 |
| dfine_medium_coco | 19.62M | D-FINE Medium 模型在 COCO 数据集上进行了预训练。是通用目标检测的扎实基线,性能强大。 |
| dfine_medium_obj2coco | 19.62M | D-FINE Medium 模型采用两阶段训练过程:在 Objects365 上预训练,然后进行 COCO 微调。 |
| dfine_medium_obj365 | 19.99M | D-FINE Medium 模型在 Objects365 数据集上进行了预训练。受益于更大、更多样化的预训练语料库。 |
| dfine_large_coco | 31.34M | D-FINE Large 模型在 COCO 数据集上进行了预训练。提供高精度,适用于更具挑战性的任务。 |
| dfine_large_obj2coco_e25 | 31.34M | D-FINE Large 模型在 Objects365 上预训练,然后在 COCO 上微调 25 个 epoch。一个高性能模型,具有专门的调优。 |
| dfine_large_obj365 | 31.86M | D-FINE Large 模型在 Objects365 数据集上进行了预训练,以提高泛化能力和在各种对象类别上的性能。 |
| dfine_xlarge_coco | 62.83M | D-FINE X-Large 模型,COCO 预训练系列中最大的变体,旨在在精度是首要任务的情况下实现最先进的性能。 |
| dfine_xlarge_obj2coco | 62.83M | D-FINE X-Large 模型,在 Objects365 上预训练,在 COCO 上微调,代表了该系列中在 COCO 类型任务上最强大的模型。 |
| dfine_xlarge_obj365 | 63.35M | D-FINE X-Large 模型在 Objects365 数据集上进行了预训练,通过利用预训练过程中的大量对象类别来提供最大性能。 |
image_converter 属性keras_hub.models.DFineObjectDetectorPreprocessor.image_converter
用于预处理图像数据的图像转换器。