DeepLabV3ImageSegmenterPreprocessor 类keras_hub.models.DeepLabV3ImageSegmenterPreprocessor(
image_converter=None, resize_output_mask=False, **kwargs
)
图像分割预处理层的基类。
ImageSegmenterPreprocessor 封装了 keras_hub.layers.ImageConverter 以创建用于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 实例都接受三个输入：x、y 和 sample_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，则会将其大小调整为输入图像的形状；否则，将保持不变传递。sample_weight：（可选）将保持不变传递。resize_output_mask 布尔值：如果设置为 True，则输出掩码将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 或 (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)
from_preset 方法DeepLabV3ImageSegmenterPreprocessor.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、权重和其他文件资产的目录。preset 可以以下列方式之一传递：
'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。
由于给定模型通常有多个预处理类，因此应在特定子类上调用此方法，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 |
|---|---|---|
| deeplab_v3_plus_resnet50_pascalvoc | 39.19M | DeepLabV3+ 模型，使用 ResNet50 作为图像编码器，并在 Semantic Boundaries Dataset(SBD) 增强的 Pascal VOC 数据集上进行训练，该模型具有 90.01 的分类准确度和 0.63 的平均 IoU。 |
image_converter 属性keras_hub.models.DeepLabV3ImageSegmenterPreprocessor.image_converter
用于预处理图像数据的图像转换器。