快捷方式

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[source]

使用 ResNet-50-FPN 骨干网络构建改进的 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点和无锚点检测之间的差距

retinanet_resnet50_fpn() 了解更多详细信息。

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,请参阅下面的 RetinaNet_ResNet50_FPN_V2_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool) – 如果为 True,则将下载进度条显示到 stderr。默认为 True。

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

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

  • trainable_backbone_layers (int, 可选) – 从最后一个块开始的可训练(未冻结)层数。有效值为 0 到 5 之间,其中 5 表示所有骨干网络层都可训练。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)[source]

上面的模型构建器接受以下值作为 weights 参数。RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT 等效于 RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1。您还可以使用字符串,例如 weights='DEFAULT'weights='COCO_V1'

RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1:

这些权重是使用增强的训练方法生成的,以提高模型精度。也可作为 RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT 使用。

box_map (在 COCO-val2017 上)

41.5

类别

__background__, person, bicycle, … (省略 88 个)

最小尺寸

高度=1,宽度=1

参数数量

38198935

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、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像被重新缩放至 [0.0, 1.0]

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获取答案

查看资源