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",
antialias=False,
bounding_box_format="yxyx",
data_format=None,
**kwargs
)
将原始图像预处理成模型可用的输入。
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:
image_size
调整图像大小。如果 image_size
为 None
,则跳过此步骤。scale
对图像进行缩放,scale
可以是全局值或按通道的值。如果 scale
为 None
,则跳过此步骤。offset
对图像进行偏移,offset
可以是全局值或按通道的值。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,并输出经过预处理的模型输入图像。此张量可以是批处理的(秩 4),也可以是未批处理的(秩 3)。
此层可以与 from_preset()
构造函数一起使用,以加载一个用于特定预训练模型缩放和调整图像大小的层。以这种方式使用该层允许编写在切换模型检查点时无需更新的预处理代码。
参数
(int, int)
元组或 None
。图像的输出尺寸,不包括通道轴。如果为 None
,则输入将不被调整大小。None
。应用于输入的缩放值。如果 scale
是单个 float 值,则整个输入将乘以 scale
。如果 scale
是一个元组,则假定它包含按通道的缩放值,用于乘以输入图像的每个通道。如果 scale
为 None
,则不应用缩放。None
。应用于输入的偏移值。如果 offset
是单个 float 值,则整个输入将与 offset
求和。如果 offset
是一个元组,则假定它包含按通道的偏移值,用于与输入图像的每个通道求和。如果 offset
为 None
,则不应用缩放。True
,则在不失真长宽比的情况下调整图像大小。当原始长宽比与目标长宽比不同时,将裁剪输出图像以返回图像中符合目标长宽比的最大可能窗口(大小为 (height, width)
)。默认情况下 (crop_to_aspect_ratio=False
),长宽比可能不会保留。"bilinear"
、"nearest"
、"bicubic"
、"lanczos3"
、"lanczos5"
。默认为 "bilinear"
。False
。"xyxy"
、"rel_xyxy"
、"xywh"
、"center_xywh"
、"yxyx"
、"rel_yxyx"
之一。指定将与图像一起调整大小到 image_size
的边界框的格式。要将边界框传递给此层,请在调用该层时传递一个包含键 "images"
和 "bounding_boxes"
的字典。"channels_last"
或 "channels_first"
。输入的维度顺序。"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。如果您从未设置过它,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)))
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、权重及其他文件资源的目录。preset
可以按以下方式之一传递:
'pali_gemma_3b_224'
'kaggle://user/paligemma/keras/pali_gemma_3b_224'
'hf://user/pali_gemma_3b_224'
'./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
True
,则会将权重加载到模型架构中。如果为 False
,则会随机初始化权重。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)
预设 | 参数 | 描述 |
---|---|---|
densenet_121_imagenet | 7.04M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 121 层 DenseNet 模型。 |
densenet_169_imagenet | 12.64M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 169 层 DenseNet 模型。 |
densenet_201_imagenet | 18.32M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 201 层 DenseNet 模型。 |