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[原始碼]¶
構建一個帶有 ResNet-101 主幹的 DeepLabV3 模型。
警告
The segmentation module is in Beta stage, and backward compatibility is not guaranteed.
參考： 重新思考用於語義影像分割的空洞卷積。
- 引數:
weights (
DeepLabV3_ResNet101_Weights, 可選) – 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DeepLabV3_ResNet101_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, 可選) – 模型的輸出類別數（包括背景）
aux_loss (bool, optional) – 如果為 True，則使用輔助損失
weights_backbone (
ResNet101_Weights, 可選) – 主幹的預訓練權重**kwargs – 未使用
- class torchvision.models.segmentation.DeepLabV3_ResNet101_Weights(value)[原始碼]¶
上面的模型構建器接受以下值作為
weights引數。DeepLabV3_ResNet101_Weights.DEFAULT等同於DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1。您也可以使用字串，例如weights='DEFAULT'或weights='COCO_WITH_VOC_LABELS_V1'。DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1:
這些權重是在 COCO 的一個子集上訓練的，僅使用了 Pascal VOC 資料集中存在的 20 個類別。也可用作
DeepLabV3_ResNet101_Weights.DEFAULT。miou (在 COCO-val2017-VOC-labels 上)
67.4
pixel_acc (在 COCO-val2017-VOC-labels 上)
92.4
類別
__background__、 aeroplane、bicycle、… (省略了 18 個)
min_size
height=1, width=1
引數數量
60996202
方案
GFLOPS
258.74
檔案大小
233.2 MB
推理轉換可從
DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1.transforms獲取，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。影像使用interpolation=InterpolationMode.BILINEAR調整到resize_size=[520]。最後，值首先被縮放到[0.0, 1.0]，然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行歸一化。
