DeepLabV3Backbone
类keras_hub.models.DeepLabV3Backbone(
image_encoder,
spatial_pyramid_pooling_key,
upsampling_size,
dilation_rates,
low_level_feature_key=None,
projection_filters=48,
image_shape=(None, None, 3),
**kwargs
)
用于语义分割的 DeepLabV3 & DeepLabV3Plus 架构。
此类实现了 DeepLabV3 & DeepLabV3Plus 架构,如 Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation (ECCV 2018) 和 Rethinking Atrous Convolution for Semantic Image Segmentation (CVPR 2017) 中所述。
参数
keras.Model
。用作 Encoder 的特征提取器实例。应为 keras_hub.models.Backbone
或实现了 pyramid_outputs
属性的 keras.Model
,其中键为“P2”、“P3”等,值为相应的输出。在许多情况下,一个比较合理的骨干网络是 keras_hub.models.ResNetBackbone.from_preset("resnet_v2_50")
。image_encoder
的低级特征进行投影的卷积层中的滤波器数量。spatial_pyramid_pooling
的层级别,它是 image_encoder
的 pyramid_outputs
属性中的一个键,例如“P4”、“P5”等。spatial_pyramid_pooling
层的行和列的上采样因子。如果提供了 low_level_feature_key
,则 spatial_pyramid_pooling
层的分辨率应与 low_level_feature
层的分辨率匹配,以便连接这两个层以获得组合的编码器输出。SpatialPyramidPooling
的并行空洞卷积(dilated conv)的整数列表。通常的速率选择是 [6, 12, 18]
。image_encoder
的 pyramid_outputs
属性中的一个键提取特征的层级别,例如“P2”、“P3”等,这将用作 Decoder 块。仅当需要应用 DeepLabV3Plus 架构时才需要此参数。(None, None, 3)
。示例
# Load a trained backbone to extract features from it's `pyramid_outputs`.
image_encoder = keras_hub.models.ResNetBackbone.from_preset(
"resnet_50_imagenet"
)
model = keras_hub.models.DeepLabV3Backbone(
image_encoder=image_encoder,
projection_filters=48,
low_level_feature_key="P2",
spatial_pyramid_pooling_key="P5",
upsampling_size = 8,
dilation_rates = [6, 12, 18]
)
from_preset
方法DeepLabV3Backbone.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Backbone
。
预设(preset)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
可以是以下形式之一:
'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调用。一种是从基类调用,如 keras_hub.models.Backbone.from_preset()
;另一种是从模型类调用,如 keras_hub.models.GemmaBackbone.from_preset()
。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。
对于任何 Backbone
子类,您都可以运行 cls.presets.keys()
来列出该类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 |
---|---|---|
deeplab_v3_plus_resnet50_pascalvoc | 39.19M | 使用 ResNet50 作为图像编码器并在 Semantic Boundaries Dataset(SBD) 增强的 Pascal VOC 数据集上训练的 DeepLabV3+ 模型,其分类准确率为 90.01,平均 IoU (Mean IoU) 为 0.63。 |