快捷方式

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[源代码]

具有 320x320 输入大小和 MobileNetV3 大型主干的 SSDlite 模型架构,如 搜索 MobileNetV3MobileNetV2:反向残差和线性瓶颈 中所述。

警告

检测模块处于 Beta 阶段,不保证向后兼容性。

有关更多详细信息,请参阅 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。有关更多详细信息和可能的值,请参见下面的 SSDLite320_MobileNet_V3_Large_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool可选) – 如果为 True,则会将下载进度条显示到 stderr。默认值为 True。

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

  • weights_backbone (MobileNet_V3_Large_Weights,可选) – 主干的预训练权重。

  • trainable_backbone_layers (int可选) – 从最后一个块开始的可训练(未冻结)层数。有效值介于 0 到 6 之间,其中 6 表示所有主干层都是可训练的。如果传递 None(默认值),则此值设置为 6。

  • norm_layer (可调用对象可选) – 指定要使用的规范化层的模块。

  • **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

class torchvision.models.detection.SSDLite320_MobileNet_V3_Large_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。SSDLite320_MobileNet_V3_Large_Weights.DEFAULT 等效于 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1。您还可以使用字符串,例如 weights='DEFAULT'weights='COCO_V1'

SSDLite320_MobileNet_V3_Large_Weights.COCO_V1:

这些权重是通过遵循与论文中类似的训练方案生成的。也可以称为 SSDLite320_MobileNet_V3_Large_Weights.DEFAULT

box_map(在 COCO-val2017 上)

21.3

num_params

3440060

categories

__background__、person、bicycle、…(省略了 88 个)

min_size

height=1,width=1

recipe

link

GFLOPS

0.58

文件大小

13.4 MB

推理转换位于 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1.transforms,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。图像将被重新缩放至 [0.0, 1.0]

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源