快捷方式

deeplabv3_resnet50

torchvision.models.segmentation.deeplabv3_resnet50(*, weights: Optional[DeepLabV3_ResNet50_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, aux_loss: Optional[bool] = None, weights_backbone: Optional[ResNet50_Weights] = ResNet50_Weights.IMAGENET1K_V1, **kwargs: Any) DeepLabV3[源代码]

使用 ResNet-50 主干构建 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_ResNet50_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 DeepLabV3_ResNet50_Weights。默认情况下,不使用任何预训练权重。

  • progress (布尔值, 可选) – 如果为 True,则将下载进度条显示到 stderr。默认值为 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 (ResNet50_Weights, 可选) – 主干的预训练权重

  • **kwargs – 未使用

class torchvision.models.segmentation.DeepLabV3_ResNet50_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。 DeepLabV3_ResNet50_Weights.DEFAULT 等效于 DeepLabV3_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='COCO_WITH_VOC_LABELS_V1'

DeepLabV3_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1:

这些权重是在 COCO 的子集上训练的,仅使用 Pascal VOC 数据集中存在的 20 个类别。也可以作为 DeepLabV3_ResNet50_Weights.DEFAULT 使用。

miou (在 COCO-val2017-VOC-labels 上)

66.4

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

92.4

类别

__background__, aeroplane, bicycle, … (省略了 18 个)

最小尺寸

height=1, width=1

参数数量

42004074

配方

链接

GFLOPS

178.72

文件大小

160.5 MB

推理变换可以在 DeepLabV3_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1.transforms 中找到,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。图像使用 resize_size=[520] 调整大小,使用 interpolation=InterpolationMode.BILINEAR。最后,将值首先重新缩放到 [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 的全面的开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源