SegFormerBackbone 模型

[源代码]

SegFormerBackbone 类

keras_hub.models.SegFormerBackbone(image_encoder, projection_filters, **kwargs)

一个实现 SegFormer 用于语义分割的 Keras 模型。

此类实现了 SegFormer 架构的大部分内容，该架构在 SegFormer: Simple and Efficient Design for Semantic Segmentation 中描述，并基于 DeepVision 的 TensorFlow 实现。

SegFormer 旨在与 MixTransformer (MiT) 编码器系列一起使用，并使用非常轻量级的全 MLP 解码器头。

MiT 编码器使用分层 Transformer，该 Transformer 在多个尺度上输出特征，类似于通常与 CNN 相关的分层输出。

参数

• image_encoder: keras.Model。模型的骨干网络，用作 SegFormer 编码器的特征提取器。应与专为 SegFormer 创建的 MiT 骨干模型 (keras_hub.models.MiTBackbone) 一起使用。
• num_classes: int，检测模型的类别数量，包括背景类。
• projection_filters: int，用于将拼接后的特征投影到分割图中的卷积层中的滤波器数量。默认为 256`。

示例

使用自定义的 backbone 初始化类

import keras_hub

backbone = keras_hub.models.MiTBackbone(
    depths=[2, 2, 2, 2],
    image_shape=(224, 224, 3),
    hidden_dims=[32, 64, 160, 256],
    num_layers=4,
    blockwise_num_heads=[1, 2, 5, 8],
    blockwise_sr_ratios=[8, 4, 2, 1],
    max_drop_path_rate=0.1,
    patch_sizes=[7, 3, 3, 3],
    strides=[4, 2, 2, 2],
)

segformer_backbone = keras_hub.models.SegFormerBackbone(
    image_encoder=backbone, projection_filters=256)

使用预设的 backbone 初始化类

import keras_hub

backbone = keras_hub.models.MiTBackbone.from_preset("mit_b0_ade20k_512")
segformer_backbone = keras_hub.models.SegFormerBackbone(
    image_encoder=backbone, projection_filters=256)

[源代码]

from_preset 方法

SegFormerBackbone.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、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以以下列方式之一传递：

1. 一个内置的预设标识符，例如 'bert_base_en'
2. 一个 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 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'

此构造函数可以通过两种方式之一调用。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，也可以从模型类调用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，返回对象的子类将从预设目录中的配置推断。

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。一个内置的预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或本地目录的路径。
• load_weights: bool。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,
)