KerasHub: 预训练模型 / API 文档 / 模型架构 / Segment Anything 模型 / SAMImageSegmenterPreprocessor 层

SAMImageSegmenterPreprocessor 层

[来源]

SAMImageSegmenterPreprocessor

keras_hub.models.SAMImageSegmenterPreprocessor(
    image_converter=None, resize_output_mask=False, **kwargs
)

图像分割预处理层的基类。

ImageSegmenterPreprocessor 封装了一个 keras_hub.layers.ImageConverter,用于创建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 实例接受三个输入:xysample_weight

  • x:第一个输入,应始终包含。它可以是一张图像或一批图像。
  • y:(可选)通常是分割掩码。如果 resize_output_mask 设置为 True,它将被调整为输入图像形状,否则将原样传递。
  • sample_weight:(可选)将原样传递。
  • resize_output_mask bool:如果设置为 True,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(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。应用所有模型预处理后,x 将是输入图像。

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。您可以在此基类上直接调用 from_preset() 构造函数,在这种情况下,将自动实例化适用于您的模型的正确类。

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)

[来源]

from_preset 方法

SAMImageSegmenterPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设中实例化一个 keras_hub.models.Preprocessor

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 可以作为以下类型之一传递:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 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 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

  • 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。

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
sam_base_sa1b 93.74M 在 SA1B 数据集上训练的基础 SAM 模型。
sam_huge_sa1b 312.34M 在 SA1B 数据集上训练的巨大 SAM 模型。
sam_large_sa1b 641.09M 在 SA1B 数据集上训练的大型 SAM 模型。

image_converter 属性

keras_hub.models.SAMImageSegmenterPreprocessor.image_converter

用于预处理图像数据的图像转换器。