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

構建一個改進的 RetinaNet 模型，具有 ResNet-50-FPN 主幹。

警告

檢測模組處於 Beta 階段，不保證向後相容。

參考: Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection。

retinanet_resnet50_fpn() 以獲取更多詳細資訊。

引數:

• weights (RetinaNet_ResNet50_FPN_V2_Weights, optional) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下面的 RetinaNet_ResNet50_FPN_V2_Weights。預設情況下，不使用預訓練權重。

• progress (bool) – 如果為 True，則在 stderr 上顯示下載進度條。預設為 True。

• num_classes (int, 可選) – 模型的輸出類別數（包括背景）

• weights_backbone (ResNet50_Weights, 可選) – 主幹的預訓練權重。

• trainable_backbone_layers (int, 可選) – 從最後一個塊開始的可訓練（非凍結）層數。有效值介於 0 和 5 之間，5 表示所有主幹層都可訓練。如果傳入 None（預設值），則此值設定為 3。

• **kwargs – 傳遞給 torchvision.models.detection.RetinaNet 基類的引數。有關此類的更多詳細資訊，請參閱 原始碼。

class torchvision.models.detection.RetinaNet_ResNet50_FPN_V2_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT 等同於 RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1:

這些權重是使用增強的訓練配方生成的，以提高模型準確性。也可用作 RetinaNet_ResNet50_FPN_V2_Weights.DEFAULT。

box_map (在 COCO-val2017 上)	41.5
類別	__background__, person, bicycle, … (省略 88 個)
min_size	height=1, width=1
引數數量	38198935
方案	連結
GFLOPS	152.24
檔案大小	146.0 MB

推理變換可從 RetinaNet_ResNet50_FPN_V2_Weights.COCO_V1.transforms 獲得，並執行以下預處理操作：接受 PIL.Image、批次（(B, C, H, W)）和單個（(C, H, W)）影像 torch.Tensor 物件。影像將被縮放到 [0.0, 1.0]。