DenseNetImageConverter

[源代码]

DenseNetImageConverter 类

keras_hub.layers.DenseNetImageConverter(
    image_size=None,
    scale=None,
    offset=None,
    crop_to_aspect_ratio=True,
    pad_to_aspect_ratio=False,
    interpolation="bilinear",
    bounding_box_format="yxyx",
    data_format=None,
    **kwargs
)

将原始图像预处理为模型可用的输入。

此类将原始图像转换为模型可用的输入。此转换按以下步骤进行

1. 使用 image_size 调整图像大小。如果 image_size 为 None，则跳过此步骤。
2. 通过乘以 scale 来重新缩放图像，scale 可以是全局的或按通道的。如果 scale 为 None，则跳过此步骤。
3. 通过添加 offset 来偏移图像，offset 可以是全局的或按通道的。如果 offset 为 None，则跳过此步骤。

该层将以通道最后或通道优先格式的原始图像张量作为输入，并输出用于建模的预处理图像输入。此张量可以是批量的（秩 4）或非批量的（秩 3）。

此层可以与 from_preset() 构造函数一起使用，以加载一个层，该层将为特定的预训练模型重新缩放和调整图像大小。以这种方式使用该层可以编写预处理代码，在模型检查点之间切换时无需更新。

参数

• image_size: (int, int) 元组或 None。图像的输出大小，不包括通道轴。如果为 None，则不会调整输入大小。
• scale: 浮点数，浮点数元组或 None。应用于输入的比例。如果 scale 是单个浮点数，则整个输入将乘以 scale。如果 scale 是一个元组，则假定它包含应用于输入图像每个通道的每通道比例值。如果 scale 为 None，则不应用缩放。
• offset: 浮点数，浮点数元组或 None。应用于输入的偏移量。如果 offset 是单个浮点数，则整个输入将与 offset 相加。如果 offset 是一个元组，则假定它包含应用于输入图像每个通道的每通道偏移值。如果 offset 为 None，则不应用偏移。
• crop_to_aspect_ratio: 如果为 True，则在不失真纵横比的情况下调整图像大小。当原始纵横比与目标纵横比不同时，将裁剪输出图像，以便返回图像中与目标纵横比匹配的最大可能窗口（大小为 (height, width)）。默认情况下 (crop_to_aspect_ratio=False)，纵横比可能无法保留。
• interpolation: 字符串，插值方法。支持 "bilinear"、"nearest"、"bicubic"、"lanczos3"、"lanczos5"。默认为 "bilinear"。
• bounding_box_format: 字符串，指定边界框的格式，可以是 "xyxy"、"rel_xyxy"、"xywh"、"center_xywh"、"yxyx"、"rel_yxyx" 之一。指定边界框的格式，边界框将与图像一起调整大小为 image_size。要将边界框传递到此层，请在调用该层时传递一个带有键 "images" 和 "bounding_boxes" 的字典。
• data_format: 字符串，可以是 "channels_last" 或 "channels_first"。输入中维度的顺序。"channels_last" 对应于形状为 (batch, height, width, channels) 的输入，而 "channels_first" 对应于形状为 (batch, channels, height, width) 的输入。它默认为在您的 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"。

示例

# Resize raw images and scale them to [0, 1].
converter = keras_hub.layers.ImageConverter(
    image_size=(128, 128),
    scale=1. / 255,
)
converter(np.random.randint(0, 256, size=(2, 512, 512, 3)))

# Resize images to the specific size needed for a PaliGemma preset.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_224"
)
converter(np.random.randint(0, 256, size=(2, 512, 512, 3)))

[源代码]

from_preset 方法

DenseNetImageConverter.from_preset(preset, **kwargs)

从模型预设实例化一个 keras_hub.layers.ImageConverter。

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 可以作为以下之一传递

1. 内置预设标识符，例如 'pali_gemma_3b_224'
2. Kaggle Models 句柄，例如 'kaggle://user/paligemma/keras/pali_gemma_3b_224'
3. Hugging Face 句柄，例如 'hf://user/pali_gemma_3b_224'
4. 本地预设目录的路径，例如 './pali_gemma_3b_224'

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。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: 布尔值。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将被随机初始化。

示例

batch = np.random.randint(0, 256, size=(2, 512, 512, 3))

# Resize images for `"pali_gemma_3b_224"`.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_224"
)
converter(batch) # # Output shape (2, 224, 224, 3)

# Resize images for `"pali_gemma_3b_448"` without cropping.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_448",
    crop_to_aspect_ratio=False,
)
converter(batch) # # Output shape (2, 448, 448, 3)