KerasHub:预训练模型 / API 文档 / 模型架构 / DeepLabV3 / DeepLabV3ImageSegmenter 模型

DeepLabV3ImageSegmenter 模型

[来源]

DeepLabV3ImageSegmenter

keras_hub.models.DeepLabV3ImageSegmenter(
    backbone, num_classes, activation=None, preprocessor=None, **kwargs
)

DeepLabV3、DeeplabV3 和 DeeplabV3Plus 分割任务。

参数

  • backbone: 一个 keras_hub.models.DeepLabV3 实例。
  • num_classes: int。检测模型的类别数量。请注意,num_classes 包含背景类别,并且数据中的类别应由范围在 [0, num_classes] 的整数表示。
  • activation: str 或 callable。用于 Dense 层的激活函数。设置为 activation=None 将返回输出 logits。默认为 None
  • preprocessor: 一个 keras_hub.models.DeepLabV3ImageSegmenterPreprocessorNone。如果为 None,则此模型不会应用预处理,并且在调用模型之前应预处理输入。

示例

加载一个包含所有 21 个类别并带有预训练分割头的 DeepLabV3 预设。

images = np.ones(shape=(1, 96, 96, 3))
labels = np.zeros(shape=(1, 96, 96, 2))
segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplab_v3_plus_resnet50_pascalvoc",
)
segmenter.predict(images)

指定 num_classes 以加载随机初始化的分割头。

segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplab_v3_plus_resnet50_pascalvoc",
    num_classes=2,
)
segmenter.preprocessor.image_size = (96, 96)
segmenter.fit(images, labels, epochs=3)
segmenter.predict(images)  # Trained 2 class segmentation.

加载 DeepLabv3+ 预设,它是 DeepLabv3 的扩展,通过添加一个简单但有效的解码器模块来优化分割结果,特别是在对象边界上。

segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplabv3_plus_resnet50_pascalvoc",
)
segmenter.predict(images)

[来源]

from_preset 方法

DeepLabV3ImageSegmenter.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Task

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 可以是以下之一:

  1. 一个内置的预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 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 Task 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。

此构造函数可以通过两种方式之一调用。可以从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset(),也可以从模型类调用,例如 keras_hub.models.BertTextClassifier.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。

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。
  • load_weights: bool。如果为 True,则会将保存的权重加载到模型架构中。如果为 False,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
deeplab_v3_plus_resnet50_pascalvoc 39.19M DeepLabV3+ 模型,使用 ResNet50 作为图像编码器,并在语义边界数据集(SBD)增强的 Pascal VOC 数据集上训练,该模型具有 90.01 的类别准确率和 0.63 的平均 IoU。

backbone 属性

keras_hub.models.DeepLabV3ImageSegmenter.backbone

一个 keras_hub.models.Backbone 模型,包含核心架构。


preprocessor 属性

keras_hub.models.DeepLabV3ImageSegmenter.preprocessor

一个 keras_hub.models.Preprocessor 层,用于预处理输入。