ssdlite320_mobilenet_v3_large

torchvision.models.detection.ssdlite320_mobilenet_v3_large(*, weights: Optional[SSDLite320_MobileNet_V3_Large_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, weights_backbone: Optional[MobileNet_V3_Large_Weights] = MobileNet_V3_Large_Weights.IMAGENET1K_V1, trainable_backbone_layers: Optional[int] = None, norm_layer: Optional[Callable[[...], Module]] = None, **kwargs: Any) → SSD

带有 320x320 输入尺寸和 MobileNetV3 Large 主干网络的 SSDlite 模型架构，如论文 Searching for MobileNetV3 和 MobileNetV2: Inverted Residuals and Linear Bottlenecks 中所述。

警告

检测模块处于 Beta 阶段，不保证向后兼容性。

更多详细信息请参见 ssd300_vgg16()。

示例

>>> model = torchvision.models.detection.ssdlite320_mobilenet_v3_large(weights=SSDLite320_MobileNet_V3_Large_Weights.DEFAULT)
>>> model.eval()
>>> x = [torch.rand(3, 320, 320), torch.rand(3, 500, 400)]
>>> predictions = model(x)

参数：

• weights (SSDLite320_MobileNet_V3_Large_Weights, 可选) – 要使用的预训练权重。更多详细信息和可能的值请参见下方的 SSDLite320_MobileNet_V3_Large_Weights。默认情况下不使用预训练权重。

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

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

• weights_backbone (MobileNet_V3_Large_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。有效值为 0 到 6 之间，其中 6 表示所有主干网络层都是可训练的。如果传入 None（默认值），则此值设置为 6。

• norm_layer (callable, 可选) – 指定要使用的归一化层模块。

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

类 torchvision.models.detection.SSDLite320_MobileNet_V3_Large_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。SSDLite320_MobileNet_V3_Large_Weights.DEFAULT 等同于 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

SSDLite320_MobileNet_V3_Large_Weights.COCO_V1:

这些权重是通过遵循与论文中相似的训练方案产生的。也可用作 SSDLite320_MobileNet_V3_Large_Weights.DEFAULT。

box_map (在 COCO-val2017 上)	21.3
num_params	3440060
类别	__background__, person, bicycle, ... (省略 88 个)
min_size	height=1, width=1
方案	链接
GFLOPS	0.58
文件大小	13.4 MB

推理转换可通过 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1.transforms 获取，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。图像被重新缩放到 [0.0, 1.0]。