HGNetV2Backbone 模型

[源代码]

HGNetV2Backbone 类

keras_hub.models.HGNetV2Backbone(
    depths,
    embedding_size,
    hidden_sizes,
    stem_channels,
    hidden_act,
    use_learnable_affine_block,
    stackwise_stage_filters,
    apply_downsample,
    use_lightweight_conv_block,
    image_shape=(None, None, 3),
    data_format=None,
    out_features=None,
    dtype=None,
    **kwargs
)

此类代表 HGNetV2 模型的 Keras Backbone。

此类实现 HGNetV2 主干架构，这是一种针对 GPU 效率优化的卷积神经网络 (CNN)。HGNetV2 在目标检测管道（如 RT-DETR 和 YOLO 变体）中常被用作轻量级 CNN 主干，在分类和检测任务上表现出色，与更大的 CNN 主干相比，具有速度提升和准确性提高。

参数

• depths: int 列表，每个阶段中的块数。
• embedding_size: int，嵌入层的大小。
• hidden_sizes: int 列表，隐藏层的大小。
• stem_channels: int 列表，stem 部分的通道数。
• hidden_act: str，隐藏层的激活函数。
• use_learnable_affine_block: bool，是否使用可学习的仿射变换。
• stackwise_stage_filters: 元组列表，其中每个元组包含一个阶段的配置：(stage_in_channels, stage_mid_channels, stage_out_channels, stage_num_blocks, stage_num_of_layers, stage_kernel_size)。
  • stage_in_channels: int，阶段的输入通道数
  • stage_mid_channels: int，阶段的中间通道数
  • stage_out_channels: int，阶段的输出通道数
  • stage_num_blocks: int，阶段中的块数
  • stage_num_of_layers: int，每个块中的层数
  • stage_kernel_size: int，阶段的核大小
• apply_downsample: bool 列表，是否在每个阶段进行下采样。
• use_lightweight_conv_block: bool 列表，是否在每个阶段使用 HGNetV2 轻量级卷积块。
• image_shape: 元组，输入图像的形状（不包含批量大小）。默认为 (None, None, 3)。
• data_format: None 或 str，数据格式（'channels_last' 或 'channels_first'）。如果未指定，则默认为 Keras 配置中的 image_data_format 值。
• out_features: str 列表或 None，要返回的输出特征的名称。如果为 None，则返回所有阶段的所有可用特征。默认为 None。
• dtype: None 或 str 或 keras.mixed_precision.DTypePolicy，计算和权重的类型。

示例

import numpy as np
from keras_hub.src.models.hgnetv2.hgnetv2_backbone import HGNetV2Backbone
input_data = np.ones(shape=(8, 224, 224, 3))

# Pretrained backbone.
model = keras_hub.models.HGNetV2Backbone.from_preset(
    "hgnetv2_b5_ssld_stage2_ft_in1k"
)
model(input_data)

# Randomly initialized backbone with a custom config.
model = HGNetV2Backbone(
    depths=[1, 2, 4],
    embedding_size=32,
    hidden_sizes=[64, 128, 256],
    stem_channels=[3, 16, 32],
    hidden_act="relu",
    use_learnable_affine_block=False,
    stackwise_stage_filters=[
        (32, 16, 64, 1, 1, 3),     # Stage 0
        (64, 32, 128, 2, 1, 3),    # Stage 1
        (128, 64, 256, 4, 1, 3),   # Stage 2
    ],
    apply_downsample=[False, True, True],
    use_lightweight_conv_block=[False, False, False],
    image_shape=(224, 224, 3),
)
model(input_data)

[源代码]

from_preset 方法

HGNetV2Backbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 一个本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将根据预设目录中的配置进行推断。

对于任何 Backbone 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。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

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,
)