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

SSDLite 模型架構，輸入尺寸為 320x320，使用 MobileNetV3 Large 作為骨幹網路，如 Searching for MobileNetV3 和 MobileNetV2: Inverted Residuals and Linear Bottlenecks 所述。

警告

檢測模組處於 Beta 階段，不保證向後相容。

有關更多詳細資訊，請參閱 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)

引數:

• weights (SSDLite320_MobileNet_V3_Large_Weights, optional) – 要使用的預訓練權重。有關更多詳細資訊和可能值，請參閱下面的 SSDLite320_MobileNet_V3_Large_Weights。預設情況下，不使用預訓練權重。

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

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

• weights_backbone (MobileNet_V3_Large_Weights, optional) – 骨幹網路的預訓練權重。

• trainable_backbone_layers (int, optional) – 從最後一個塊開始的可訓練（未凍結）的層數。有效值為 0 到 6，其中 6 表示所有骨幹網路層都可訓練。如果傳遞 None（預設值），則將此值設定為 6。

• norm_layer (callable, optional) – 指定要使用的歸一化層的模組。

• **kwargs – 傳遞給 torchvision.models.detection.ssd.SSD 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.SSDLite320_MobileNet_V3_Large_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。 SSDLite320_MobileNet_V3_Large_Weights.DEFAULT 等同於 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

SSDLite320_MobileNet_V3_Large_Weights.COCO_V1:

這些權重是透過遵循與論文相似的訓練流程生成的。也可作為 SSDLite320_MobileNet_V3_Large_Weights.DEFAULT 使用。

box_map (在 COCO-val2017 上)	21.3
引數數量	3440060
類別	__background__, person, bicycle, … (省略 88 個)
min_size	height=1, width=1
方案	連結
GFLOPS	0.58
檔案大小	13.4 MB

推理轉換可在 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1.transforms 中找到，並執行以下預處理操作：接受 PIL.Image、批處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像會被縮放到 [0.0, 1.0]。