KerasHub：预训练模型
入门指南 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 指标 预训练模型列表
► KerasHub: 预训练模型 / API 文档 / 预处理层 / ImageConverter layer

ImageConverter layer

[源代码]

ImageConverter 类

keras_hub.layers.ImageConverter(
    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
)

将原始图像预处理为适合模型的输入。

该类将原始图像转换为适合模型的输入。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`，则将跳过此步骤。
  2. 通过乘以 `scale` 来重新缩放图像，`scale` 可以是全局值或按通道的值。如果 `scale` 为 `None`，则将跳过此步骤。
  3. 通过加上 `offset` 来偏移图像，`offset` 可以是全局值或按通道的值。如果 `offset` 为 `None`，则将跳过此步骤。

该层将接收一个 channels last 或 channels first 格式的原始图像张量作为输入，并输出一个用于建模的预处理图像输入。该张量可以是批处理的（秩为 4），也可以是非批处理的（秩为 3）。

此层可与 from_preset() 构造函数一起使用，以加载用于对特定预训练模型进行图像缩放和重塑的层。这样使用该层可以编写无需在模型检查点之间切换时更新的预处理代码。

参数

  • image_size：`(int, int)` 元组或 `None`。图像的输出尺寸，不包括通道轴。如果为 `None`，则不会调整输入的大小。
  • scale: float、float 元组或 None。要应用于输入的缩放因子。如果 scale 是单个浮点数，则整个输入将乘以 scale。如果 scale 是元组，则假定其包含每个通道的缩放值，与输入图像的每个通道相乘。如果 scale 是 None，则不应用缩放。
  • offset: float、float 元组或 None。要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 是元组，则假定其包含每个通道的偏移值，与输入图像的每个通道相加。如果 offset 是 None，则不应用偏移。
  • crop_to_aspect_ratio: 如果为 True，则在不扭曲纵横比的情况下重塑图像。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（大小为 (height, width)）与目标纵横比匹配的最大可能窗口。默认情况下（crop_to_aspect_ratio=False），可能不保留纵横比。
  • interpolation：字符串，插值方法。支持 `"bilinear"`、`"nearest"`、`"bicubic"`、`"lanczos3"`、`"lanczos5"`。默认为 `"bilinear"`。
  • antialias：下采样图像时是否使用抗锯齿滤波器。默认为 `False`。
  • bounding_box_format: 一个字符串，指定边界框的格式，可以是 "xyxy"、"rel_xyxy"、"xywh"、"center_xywh"、"yxyx"、"rel_yxyx" 中的一种。指定将与图像一起重塑到 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 "images" 和 "bounding_boxes" 键的字典。
  • data_format: 字符串，可以是 "channels_last" 或 "channels_first"。输入中的维度顺序。"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 Keras 配置文件 ~/.keras/keras.json 中的 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

ImageConverter.from_preset(preset, **kwargs)

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

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 可以作为以下之一传递：

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

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
basnet_duts 108.89M 带有 34 层 ResNet 骨干网络的 BASNet 模型，在 288x288 分辨率的 DUTS 图像数据集上预训练。模型训练由 Hamid Ali (https://github.com/hamidriasat/BASNet) 完成。
clip_vit_base_patch16 149.62M 1.5 亿参数，视觉 12 层，文本 12 层，补丁大小 16 的 CLIP 模型。
clip_vit_base_patch32 151.28M 1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 CLIP 模型。
clip_vit_b_32_laion2b_s34b_b79k 151.28M 1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 Open CLIP 模型。
clip_vit_large_patch14 427.62M 4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14 的 CLIP 模型。
clip_vit_large_patch14_336 427.94M 4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14，图像大小 336 的 CLIP 模型。
clip_vit_h_14_laion2b_s32b_b79k 986.11M 9.86 亿参数，视觉 32 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_g_14_laion2b_s12b_b42k 1.37B 14 亿参数，视觉 40 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_bigg_14_laion2b_39b_b160k 2.54B 25 亿参数，视觉 48 层，文本 32 层，补丁大小 14 的 Open CLIP 模型。
csp_resnext_50_ra_imagenet 20.57M 在随机增强的 ImageNet 1k 数据集上预训练的 CSP-ResNeXt（交叉阶段部分）图像分类模型，分辨率为 256x256。
csp_resnet_50_ra_imagenet 21.62M 在随机增强的 ImageNet 1k 数据集上预训练的 CSP-ResNet（交叉阶段部分）图像分类模型，分辨率为 256x256。
csp_darknet_53_ra_imagenet 27.64M 在随机增强的 ImageNet 1k 数据集上预训练的 CSP-DarkNet（交叉阶段部分）图像分类模型，分辨率为 256x256。
darknet_53_imagenet 41.61M 在 ImageNet 1k 数据集上预训练的 DarkNet 图像分类模型，分辨率为 256x256。
dfine_nano_coco 3.79M D-FINE Nano 模型，该系列中最小的变体，在 COCO 数据集上进行了预训练。非常适合计算资源有限的应用。
dfine_small_coco 10.33M D-FINE Small 模型在 COCO 数据集上进行了预训练。在性能和计算效率之间取得了平衡。
dfine_small_obj2coco 10.33M D-FINE Small 模型首先在 Objects365 上预训练，然后又在 COCO 上进行了微调，结合了广泛的特征学习和基准特定适应。
dfine_small_obj365 10.62M D-FINE Small 模型在大规模 Objects365 数据集上进行了预训练，增强了其识别各种对象的能力。
dfine_medium_coco 19.62M D-FINE Medium 模型在 COCO 数据集上进行了预训练。是通用目标检测的扎实基线，性能强大。
dfine_medium_obj2coco 19.62M D-FINE Medium 模型采用两阶段训练过程：在 Objects365 上预训练，然后进行 COCO 微调。
dfine_medium_obj365 19.99M D-FINE Medium 模型在 Objects365 数据集上进行了预训练。受益于更大、更多样化的预训练语料库。
dfine_large_coco 31.34M D-FINE Large 模型在 COCO 数据集上进行了预训练。提供高精度，适用于更具挑战性的任务。
dfine_large_obj2coco_e25 31.34M D-FINE Large 模型在 Objects365 上预训练，然后在 COCO 上微调 25 个 epoch。一个高性能模型，具有专门的调优。
dfine_large_obj365 31.86M D-FINE Large 模型在 Objects365 数据集上进行了预训练，以提高泛化能力和在各种对象类别上的性能。
dfine_xlarge_coco 62.83M D-FINE X-Large 模型，COCO 预训练系列中最大的变体，旨在在精度是首要任务的情况下实现最先进的性能。
dfine_xlarge_obj2coco 62.83M D-FINE X-Large 模型，在 Objects365 上预训练，在 COCO 上微调，代表了该系列中在 COCO 类型任务上最强大的模型。
dfine_xlarge_obj365 63.35M D-FINE X-Large 模型在 Objects365 数据集上进行了预训练，通过利用预训练过程中的大量对象类别来提供最大性能。
deeplab_v3_plus_resnet50_pascalvoc 39.19M DeepLabV3+ 模型，以 ResNet50 作为图像编码器，并在由语义边界数据集（SBD）增强的 Pascal VOC 数据集上训练，分类准确率为 90.01，平均 IoU 为 0.63。
deit_tiny_distilled_patch16_224_imagenet 5.52M DeiT-T16 模型在 ImageNet 1k 数据集上进行了预训练，图像分辨率为 224x224。
deit_small_distilled_patch16_224_imagenet 21.67M DeiT-S16 模型在 ImageNet 1k 数据集上进行了预训练，图像分辨率为 224x224。
deit_base_distilled_patch16_224_imagenet 85.80M DeiT-B16 模型在 ImageNet 1k 数据集上进行了预训练，图像分辨率为 224x224。
deit_base_distilled_patch16_384_imagenet 86.09M DeiT-B16 模型在 ImageNet 1k 数据集上进行了预训练，图像分辨率为 384x384。
densenet_121_imagenet 7.04M 121 层 DenseNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
densenet_169_imagenet 12.64M 169 层 DenseNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
densenet_201_imagenet 18.32M 201 层 DenseNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
depth_anything_v2_small 25.31M Depth Anything V2 单目深度估计 (MDE) 模型的小型变体，在合成标记图像和真实未标记图像上进行了训练。
depth_anything_v2_base 98.52M Depth Anything V2 单目深度估计 (MDE) 模型的基础变体，在合成标记图像和真实未标记图像上进行了训练。
depth_anything_v2_large 336.72M Depth Anything V2 单目深度估计 (MDE) 模型的大型变体，在合成标记图像和真实未标记图像上进行了训练。
dinov2_small 22.58M 使用 DINOv2 训练的 Vision Transformer (小型模型)。
dinov2_with_registers_small 22.58M 使用 DINOv2 训练的 Vision Transformer (小型模型)，包含寄存器。
dinov2_base 87.63M 使用 DINOv2 训练的 Vision Transformer (基础模型)。
dinov2_with_registers_base 87.64M 使用 DINOv2 训练的 Vision Transformer (基础模型)，包含寄存器。
dinov2_large 305.77M 使用 DINOv2 训练的 Vision Transformer (大型模型)。
dinov2_with_registers_large 305.78M 使用 DINOv2 训练的 Vision Transformer (大型模型)，包含寄存器。
dinov2_giant 1.14B 使用 DINOv2 训练的 Vision Transformer (巨型模型)。
dinov2_with_registers_giant 1.14B 使用 DINOv2 训练的 Vision Transformer (巨型模型)，包含寄存器。
efficientnet_lite0_ra_imagenet 4.65M EfficientNet-Lite 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行微调。
efficientnet_b0_ra_imagenet 5.29M EfficientNet B0 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行预训练。
efficientnet_b0_ra4_e3600_r224_imagenet 5.29M EfficientNet B0 模型由 Ross Wightman 在 ImageNet 1k 数据集上预训练。使用 timm 脚本训练，超参数受 MobileNet-V4 small、timm 的通用超参数和“ResNet Strikes Back”的启发。
efficientnet_es_ra_imagenet 5.44M EfficientNet-EdgeTPU Small 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行训练。
efficientnet_em_ra2_imagenet 6.90M EfficientNet-EdgeTPU Medium 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。
efficientnet_b1_ft_imagenet 7.79M EfficientNet B1 模型在 ImageNet 1k 数据集上进行微调。
efficientnet_b1_ra4_e3600_r240_imagenet 7.79M EfficientNet B1 模型由 Ross Wightman 在 ImageNet 1k 数据集上预训练。使用 timm 脚本训练，超参数受 MobileNet-V4 small、timm 的通用超参数和“ResNet Strikes Back”的启发。
efficientnet_b2_ra_imagenet 9.11M EfficientNet B2 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行预训练。
efficientnet_el_ra_imagenet 10.59M EfficientNet-EdgeTPU Large 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行训练。
efficientnet_b3_ra2_imagenet 12.23M EfficientNet B3 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行预训练。
efficientnet2_rw_t_ra2_imagenet 13.65M EfficientNet-v2 Tiny 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。
efficientnet_b4_ra2_imagenet 19.34M EfficientNet B4 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行预训练。
efficientnet2_rw_s_ra2_imagenet 23.94M EfficientNet-v2 Small 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。
efficientnet_b5_sw_imagenet 30.39M EfficientNet B5 模型由 Ross Wightman 在 ImageNet 12k 数据集上预训练。基于 Swin Transformer 训练/预训练策略，并进行了修改（与 DeiT 和 ConvNeXt 策略相关）。
efficientnet_b5_sw_ft_imagenet 30.39M EfficientNet B5 模型由 Ross Wightman 在 ImageNet 12k 数据集上预训练，并在 ImageNet-1k 上微调。基于 Swin Transformer 训练/预训练策略，并进行了修改（与 DeiT 和 ConvNeXt 策略相关）。
efficientnet2_rw_m_agc_imagenet 53.24M EfficientNet-v2 Medium 模型在 ImageNet 1k 数据集上使用自适应梯度裁剪进行训练。
gemma3_270m 268.10M 2.7 亿参数（1.7 亿嵌入参数，1 亿 Transformer 参数）模型，18 层，纯文本模型，专为超高效 AI 设计，特别适合任务特定微调。
gemma3_instruct_270m 268.10M 2.7 亿参数（1.7 亿嵌入参数，1 亿 Transformer 参数）模型，18 层，纯文本模型，指令微调模型，专为超高效 AI 设计，特别适合任务特定微调。
gemma3_1b 999.89M 10 亿参数，26 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_1b 999.89M 10 亿参数，26 层，仅文本指令微调 Gemma3 模型。
gemma3_4b_text 3.88B 40 亿参数，34 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_4b_text 3.88B 40 亿参数，34 层，仅文本指令微调 Gemma3 模型。
gemma3_4b 4.30B 40 亿参数，34 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_4b 4.30B 40 亿参数，34 层，视觉+文本指令微调 Gemma3 模型。
gemma3_12b_text 11.77B 120 亿参数，48 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_12b_text 11.77B 120 亿参数，48 层，仅文本指令微调 Gemma3 模型。
gemma3_12b 12.19B 120 亿参数，48 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_12b 12.19B 120 亿参数，48 层，视觉+文本指令微调 Gemma3 模型。
gemma3_27b_text 27.01B 270 亿参数，62 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_27b_text 27.01B 270 亿参数，62 层，仅文本指令微调 Gemma3 模型。
gemma3_27b 27.43B 270 亿参数，62 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_27b 27.43B 270 亿参数，62 层，视觉+文本指令微调 Gemma3 模型。
hgnetv2_b4_ssld_stage2_ft_in1k 13.60M HGNetV2 B4 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。
hgnetv2_b5_ssld_stage1_in22k_in1k 33.42M HGNetV2 B5 模型，采用 1 阶段 SSLD 训练，在 ImageNet-22K 上预训练，在 ImageNet-1K 上微调。
hgnetv2_b5_ssld_stage2_ft_in1k 33.42M HGNetV2 B5 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。
hgnetv2_b6_ssld_stage1_in22k_in1k 69.18M HGNetV2 B6 模型，采用 1 阶段 SSLD 训练，在 ImageNet-22K 上预训练，在 ImageNet-1K 上微调。
hgnetv2_b6_ssld_stage2_ft_in1k 69.18M HGNetV2 B6 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。
mit_b0_ade20k_512 3.32M 具有 8 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b0_cityscapes_1024 3.32M 具有 8 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b1_ade20k_512 13.16M 具有 8 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b1_cityscapes_1024 13.16M 具有 8 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b2_ade20k_512 24.20M 具有 16 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b2_cityscapes_1024 24.20M 具有 16 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b3_ade20k_512 44.08M 具有 28 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b3_cityscapes_1024 44.08M 具有 28 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b4_ade20k_512 60.85M 具有 41 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b4_cityscapes_1024 60.85M 具有 41 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b5_ade20k_640 81.45M 具有 52 个 Transformer 块的 MiT (MixTransformer) 模型。
mit_b5_cityscapes_1024 81.45M 具有 52 个 Transformer 块的 MiT (MixTransformer) 模型。
mobilenet_v3_small_050_imagenet 278.78K 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的小型 Mobilenet V3 模型。具有一半通道乘数。
mobilenet_v3_small_100_imagenet 939.12K 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的小型 Mobilenet V3 模型。具有基线通道乘数。
mobilenet_v3_large_100_imagenet 3.00M 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的大型 Mobilenet V3 模型。具有基线通道乘数。
mobilenet_v3_large_100_imagenet_21k 3.00M 在 224x224 分辨率的 ImageNet 21k 数据集上预训练的大型 Mobilenet V3 模型。具有基线通道乘数。
mobilenetv5_300m_enc_gemma3n 294.28M 轻量级 3 亿参数的卷积视觉编码器，用作 Gemma 3n 的图像骨干网络。
pali_gemma_3b_mix_224 2.92B 图像大小 224，混合微调，文本序列长度为 256
pali_gemma_3b_224 2.92B 图像大小 224，预训练，文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像大小 448，混合微调，文本序列长度为 512
pali_gemma_3b_448 2.92B 图像大小 448，预训练，文本序列长度为 512
pali_gemma_3b_896 2.93B 图像大小 896，预训练，文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_3b_224 3.03B 30 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在 DOCCI 数据集上进行微调，以改进具有细粒度细节的描述。
pali_gemma2_mix_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_3b_896 3.04B 30 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_10b_224 9.66B 100 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_10b_224 9.66B 100 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_ft_docci_10b_448 9.66B 100 亿参数，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在 DOCCI 数据集上进行微调，以改进具有细粒度细节的描述。
pali_gemma2_mix_10b_448 9.66B 100 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_10b_448 9.66B 100 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_10b_896 9.67B 100 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_28b_224 27.65B 280 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_mix_28b_448 27.65B 280 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_28b_224 27.65B 280 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_448 27.65B 280 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_896 27.65B 280 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
parseq 23.83M 用于场景文本识别的排列自回归序列 (PARSeq) 基础模型。
resnet_18_imagenet 11.19M 18 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_18_imagenet 11.72M 18 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_34_imagenet 21.84M 34 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_50_imagenet 23.56M 50 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_v2_50_imagenet 23.56M 50 层 ResNetV2 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_50_imagenet 25.63M 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_50_ssld_imagenet 25.63M 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏。
resnet_vd_50_ssld_v2_imagenet 25.63M 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏和 AutoAugment。
resnet_vd_50_ssld_v2_fix_imagenet 25.63M 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏、AutoAugment 和额外的分类头微调。
resnet_101_imagenet 42.61M 101 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_v2_101_imagenet 42.61M 101 层 ResNetV2 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_101_imagenet 44.67M 101 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_101_ssld_imagenet 44.67M 101 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏。
resnet_152_imagenet 58.30M 152 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_152_imagenet 60.36M 152 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
resnet_vd_200_imagenet 74.93M 200 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
retinanet_resnet50_fpn_v2_coco 31.56M RetinaNet 模型，带有 ResNet50 骨干网络，在 800x800 分辨率的 COCO 数据集上进行微调，FPN 特征从 P5 级别创建。
retinanet_resnet50_fpn_coco 34.12M RetinaNet 模型，带有 ResNet50 骨干网络，在 800x800 分辨率的 COCO 数据集上进行微调。
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 数据集上训练的巨型 SAM 模型。
sam_large_sa1b 641.09M 在 SA1B 数据集上训练的大型 SAM 模型。
siglip_base_patch16_224 203.16M 2 亿参数，图像尺寸 224，在 WebLi 上预训练。
siglip_base_patch16_256 203.20M 2 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip_base_patch16_384 203.45M 2 亿参数，图像尺寸 384，在 WebLi 上预训练。
siglip_base_patch16_512 203.79M 2 亿参数，图像尺寸 512，在 WebLi 上预训练。
siglip_base_patch16_256_multilingual 370.63M 3.7 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch16_224 375.19M 3.75 亿参数，补丁大小 16，图像尺寸 224，在 WebLi 上预训练。
siglip2_base_patch16_256 375.23M 3.75 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch32_256 376.86M 3.76 亿参数，补丁大小 32，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch16_384 376.86M 3.76 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。
siglip_large_patch16_256 652.15M 6.52 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip_large_patch16_384 652.48M 6.52 亿参数，图像尺寸 384，在 WebLi 上预训练。
siglip_so400m_patch14_224 877.36M 8.77 亿参数，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip_so400m_patch14_384 877.96M 8.77 亿参数，图像尺寸 384，形状优化版本，在 WebLi 上预训练。
siglip2_large_patch16_256 881.53M 8.81 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_large_patch16_384 881.86M 8.81 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。
siglip2_large_patch16_512 882.31M 8.82 亿参数，补丁大小 16，图像尺寸 512，在 WebLi 上预训练。
siglip_so400m_patch16_256_i18n 1.13B 11 亿参数，图像尺寸 256，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch14_224 1.14B 11 亿参数，补丁大小 14，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_256 1.14B 11 亿参数，补丁大小 16，图像尺寸 256，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch14_384 1.14B 11 亿参数，补丁大小 14，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_384 1.14B 11 亿参数，补丁大小 16，图像尺寸 384，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_512 1.14B 11 亿参数，补丁大小 16，图像尺寸 512，形状优化版本，在 WebLi 上预训练。
siglip2_giant_opt_patch16_256 1.87B 18 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_giant_opt_patch16_384 1.87B 18 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。
vgg_11_imagenet 9.22M 11 层 VGG 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
vgg_13_imagenet 9.40M 13 层 VGG 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
vgg_16_imagenet 14.71M 16 层 VGG 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
vgg_19_imagenet 20.02M 19 层 VGG 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。
vit_base_patch16_224_imagenet 85.80M ViT-B16 模型，在 224x224 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_base_patch16_224_imagenet21k 85.80M ViT-B16 骨干网络，在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_base_patch16_384_imagenet 86.09M ViT-B16 模型，在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_base_patch32_224_imagenet21k 87.46M ViT-B32 骨干网络，在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_base_patch32_384_imagenet 87.53M ViT-B32 模型，在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch16_224_imagenet 303.30M ViT-L16 模型，在 224x224 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch16_224_imagenet21k 303.30M ViT-L16 骨干网络，在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_large_patch16_384_imagenet 303.69M ViT-L16 模型，在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch32_224_imagenet21k 305.51M ViT-L32 骨干网络，在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_large_patch32_384_imagenet 305.61M ViT-L32 模型，在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_huge_patch14_224_imagenet21k 630.76M ViT-H14 骨干网络，在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
xception_41_imagenet 20.86M 41 层 Xception 模型，在 ImageNet 1k 上预训练。
ImageConverter layer
ImageConverter 类
from_preset 方法