DeepLabV3Backbone 模型

[源代码]

DeepLabV3Backbone 类

keras_hub.models.DeepLabV3Backbone(
    image_encoder,
    spatial_pyramid_pooling_key,
    upsampling_size,
    dilation_rates,
    low_level_feature_key=None,
    projection_filters=48,
    image_shape=(None, None, 3),
    **kwargs
)

用于语义分割的 DeepLabV3 & DeepLabV3Plus 架构。

此类实现了 DeepLabV3 & DeepLabV3Plus 架构，如 Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation (ECCV 2018) 和 Rethinking Atrous Convolution for Semantic Image Segmentation (CVPR 2017) 中所述。

参数

• image_encoder: keras.Model。用作编码器特征提取器的一个实例。应为 keras_hub.models.Backbone 或实现 pyramid_outputs 属性的 keras.Model，其中键为 "P2"、"P3" 等。在许多情况下，一个相当合理的骨干网络是 keras_hub.models.ResNetBackbone.from_preset("resnet_v2_50")。
• projection_filters: int。卷积层中用于投影 image_encoder 低层特征的过滤器数量。
• spatial_pyramid_pooling_key: str。用于提取和执行 spatial_pyramid_pooling 的层级，是 image_encoder 的 pyramid_outputs 属性中的一个键，例如 "P4"、"P5" 等。
• upsampling_size: int 或 2 个整数的元组。spatial_pyramid_pooling 层的行和列的上采样因子。如果给定 low_level_feature_key，则 spatial_pyramid_pooling 层的分辨率应与 low_level_feature 层的分辨率匹配，以便将这两个层连接起来作为组合编码器输出。
• dilation_rates: list。一个整数 list，用于应用于 SpatialPyramidPooling 的并行扩张卷积。通常，一个示例速率选择是 [6, 12, 18]。
• low_level_feature_key: str 可选。用于从 image_encoder 的 pyramid_outputs 属性中提取特征的层级，例如 "P2"、"P3" 等，这将是解码器块。仅当需要应用 DeepLabV3Plus 架构时才需要。
• image_shape: 元组。不带批量大小的输入形状。默认为 (None, None, 3)。

示例

# Load a trained backbone to extract features from it's `pyramid_outputs`.
image_encoder = keras_hub.models.ResNetBackbone.from_preset(
    "resnet_50_imagenet"
)

model = keras_hub.models.DeepLabV3Backbone(
    image_encoder=image_encoder,
    projection_filters=48,
    low_level_feature_key="P2",
    spatial_pyramid_pooling_key="P5",
    upsampling_size = 8,
    dilation_rates = [6, 12, 18]
)

[源代码]

from_preset 方法

DeepLabV3Backbone.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调用。可以从基类如 keras_hub.models.Backbone.from_preset() 调用，也可以从模型类如 keras_hub.models.GemmaBackbone.from_preset() 调用。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,
)