retinanet_resnet50_fpn_v2

torchvision.models.detection.retinanet_resnet50_fpn_v2(*, weights: Optional[RetinaNet_ResNet50_FPN_V2_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, weights_backbone: Optional[ResNet50_Weights] = None, trainable_backbone_layers: Optional[int] = None, **kwargs: Any) → RetinaNet

构建一个改进的、使用 ResNet-50-FPN 主干网络的 RetinaNet 模型。

警告

检测模块处于 Beta 阶段，不保证向后兼容性。

参考: 通过自适应训练样本选择弥合基于锚框和无锚框检测之间的差距。

有关更多详细信息，请参阅retinanet_resnet50_fpn()。

参数：

• weights (RetinaNet_ResNet50_FPN_V2_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下方的RetinaNet_ResNet50_FPN_V2_Weights。默认情况下，不使用预训练权重。

• progress (bool) – 如果为 True，则在 stderr 显示下载进度条。默认为 True。

• num_classes (int, 可选) – 模型的输出类别数（包括背景类）

• weights_backbone (ResNet50_Weights, 可选) – 主干网络的预训练权重。

• trainable_backbone_layers (int, 可选) – 从最终块开始的可训练（未冻结）层数。有效值介于 0 和 5 之间，其中 5 表示所有主干网络层都可训练。如果传递 None（默认值），则此值设置为 3。

• **kwargs – 传递给 torchvision.models.detection.RetinaNet 基类的参数。有关此类的更多详细信息，请参阅 源代码。

class torchvision.models.detection.RetinaNet_ResNet50_FPN_V2_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT 等同于 RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1:

这些权重是使用增强的训练配方生成的，以提高模型准确性。也可用作 RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT。

box_map（在 COCO-val2017 上）	41.5
类别	__background__, person, bicycle, … (省略 88 个)
最小尺寸	height=1, width=1
参数数量	38198935
训练配方	链接
GFLOPS	152.24
文件大小	146.0 MB

推理转换可在 RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1.transforms 中获得，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像被重新缩放到 [0.0, 1.0]。