DeepLabV3ImageSegmenter 模型

[源代码]

DeepLabV3ImageSegmenter 类

keras_hub.models.DeepLabV3ImageSegmenter(
    backbone, num_classes, activation=None, preprocessor=None, **kwargs
)

DeepLabV3 和 DeeplabV3 和 DeeplabV3Plus 分割任务。

参数

• backbone: 一个 keras_hub.models.DeepLabV3 实例。
• num_classes: int. 检测模型的类别数量。请注意，num_classes 包含背景类别，并且数据中的类别应该由范围 [0, num_classes] 内的整数表示。
• activation: str 或 callable。用于 Dense 层的激活函数。设置 activation=None 将返回输出 logits。默认为 None。
• preprocessor: 一个 keras_hub.models.DeepLabV3ImageSegmenterPreprocessor 或 None。如果为 None，则此模型将不应用预处理，输入应在调用模型之前进行预处理。

示例

加载 DeepLabV3 预设，包含所有 21 个类别，预训练的分割头部。

images = np.ones(shape=(1, 96, 96, 3))
labels = np.zeros(shape=(1, 96, 96, 2))
segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplab_v3_plus_resnet50_pascalvoc",
)
segmenter.predict(images)

指定 num_classes 以加载随机初始化的分割头部。

segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplab_v3_plus_resnet50_pascalvoc",
    num_classes=2,
)
segmenter.preprocessor.image_size = (96, 96)
segmenter.fit(images, labels, epochs=3)
segmenter.predict(images)  # Trained 2 class segmentation.

加载 DeepLabv3+ 预设，它是 DeepLabv3 的扩展，通过添加一个简单而有效的解码器模块来优化分割结果，尤其是在对象边界处。

segmenter = keras_hub.models.DeepLabV3ImageSegmenter.from_preset(
    "deeplabv3_plus_resnet50_pascalvoc",
)
segmenter.predict(images)

[源代码]

from_preset 方法

DeepLabV3ImageSegmenter.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Task。

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. 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'

对于任何 Task 子类，您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

此构造函数可以通过两种方式调用。可以从任务特定的基类调用，例如 keras_hub.models.CausalLM.from_preset()，或者从模型类调用，例如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用，返回对象的子类将根据预设目录中的配置推断。

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，已保存的权重将被加载到模型架构中。如果为 False，所有权重将被随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

backbone 属性

keras_hub.models.DeepLabV3ImageSegmenter.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.DeepLabV3ImageSegmenter.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。