快捷方式

deeplabv3_resnet101

torchvision.models.segmentation.deeplabv3_resnet101(*, weights: Optional[DeepLabV3_ResNet101_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, aux_loss: Optional[bool] = None, weights_backbone: Optional[ResNet101_Weights] = ResNet101_Weights.IMAGENET1K_V1, **kwargs: Any) DeepLabV3[source]

构建具有 ResNet-101 骨干网络的 DeepLabV3 模型。

警告

分割模块处于 Beta 阶段,不保证向后兼容性。

参考:重新思考用于语义图像分割的空洞卷积

参数:
  • weights (DeepLabV3_ResNet101_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 DeepLabV3_ResNet101_Weights。默认情况下,不使用预训练权重。

  • progress (布尔值, 可选) – 如果为 True,则将下载进度条显示到标准错误输出。默认为 True。

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

  • aux_loss (布尔值, 可选) – 如果为 True,则使用辅助损失

  • weights_backbone (ResNet101_Weights, 可选) – 骨干网络的预训练权重

  • **kwargs – 未使用

torchvision.models.segmentation.DeepLabV3_ResNet101_Weights(value)[source]

上面的模型构建器接受以下值作为 weights 参数。 DeepLabV3_ResNet101_Weights.DEFAULT 等效于 DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1。您还可以使用字符串,例如 weights='DEFAULT'weights='COCO_WITH_VOC_LABELS_V1'

DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1:

这些权重是在 COCO 的一个子集上训练的,只使用了 Pascal VOC 数据集中存在的 20 个类别。也可作为 DeepLabV3_ResNet101_Weights.DEFAULT 使用。

miou(在 COCO-val2017-VOC-labels 上)

67.4

pixel_acc(在 COCO-val2017-VOC-labels 上)

92.4

类别

__background__,飞机,自行车,…(省略 18 个)

最小尺寸

高度=1,宽度=1

参数数量

60996202

配方

链接

GFLOPS

258.74

文件大小

233.2 MB

推理转换在 DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1.transforms 中可用,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。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小到 resize_size=[520]。最后,值首先重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

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