CSPDarkNet 骨幹網路
CSPDarkNetBackbone 類別
keras_cv.models.CSPDarkNetBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
此類別表示 CSPDarkNet 架構。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- stackwise_channels：一個整數列表，表示模型中每個 Darknet 層級的通道數。
- stackwise_depth：一個整數列表，表示模型中每個 Darknet 層級的深度。
- include_rescaling：布林值，是否要重新調整輸入的比例。如果設定為 True，輸入將會通過
Rescaling(1/255.0)層。 - use_depthwise：布林值，是否應該使用
DarknetConvBlockDepthwise而不是DarknetConvBlock，預設為 False。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（即
keras.layers.Input()的輸出），用作模型的圖像輸入。
回傳值
一個 keras.Model 實例。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet"
)
output = model(input_data)
# Randomly initialized backbone with a custom config
model = keras_cv.models.CSPDarkNetBackbone(
stackwise_channels=[128, 256, 512, 1024],
stackwise_depth=[3, 9, 9, 3],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
CSPDarkNetBackbone.from_preset()
從預設配置和權重實例化 CSPDarkNetBackbone 模型。
引數
- preset：字串。必須是 "csp_darknet_tiny"、"csp_darknet_s"、"csp_darknet_m"、"csp_darknet_l"、"csp_darknet_xl"、"csp_darknet_tiny_imagenet"、"csp_darknet_l_imagenet" 之一。如果要尋找具有預先訓練權重的預設配置，請選擇 "csp_darknet_tiny_imagenet"、"csp_darknet_l_imagenet" 之一。
- load_weights：是否要將預先訓練的權重載入模型。預設為
None，這將遵循預設配置是否有可用的預先訓練權重。
範例
# Load architecture and weights from preset
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.CSPDarkNetBackbone.from_preset(
"csp_darknet_tiny_imagenet",
load_weights=False,
| 預設名稱 | 參數 | 描述 |
|---|---|---|
| csp_darknet_tiny | 2.38M | 具有 [48, 96, 192, 384] 個通道和 [1, 3, 3, 1] 個深度的 CSPDarkNet 模型，其中批次正規化和 SiLU 激活函數應用於卷積層之後。 |
| csp_darknet_s | 4.22M | CSPDarkNet 模型，具有 [64, 128, 256, 512] 個通道和 [1, 3, 3, 1] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。 |
| csp_darknet_m | 12.37M | CSPDarkNet 模型，具有 [96, 192, 384, 768] 個通道和 [2, 6, 6, 2] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。 |
| csp_darknet_l | 27.11M | CSPDarkNet 模型，具有 [128, 256, 512, 1024] 個通道和 [3, 9, 9, 3] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。 |
| csp_darknet_xl | 56.84M | CSPDarkNet 模型，具有 [170, 340, 680, 1360] 個通道和 [4, 12, 12, 4] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。 |
| csp_darknet_tiny_imagenet | 2.38M | CSPDarkNet 模型，具有 [48, 96, 192, 384] 個通道和 [1, 3, 3, 1] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。在 ImageNet 2012 分類任務上進行訓練。 |
| csp_darknet_l_imagenet | 27.11M | CSPDarkNet 模型，具有 [128, 256, 512, 1024] 個通道和 [3, 9, 9, 3] 的深度，在卷積層之後應用批次標準化和 SiLU 激活函數。在 ImageNet 2012 分類任務上進行訓練。 |
CSPDarkNetTinyBackbone 類別
keras_cv.models.CSPDarkNetTinyBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
CSPDarkNetBackbone 模型，具有 [48, 96, 192, 384] 個通道和 [1, 3, 3, 1] 的深度。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(1/255.0)層。 - input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetTinyBackbone()
output = model(input_data)
CSPDarkNetSBackbone 類別
keras_cv.models.CSPDarkNetSBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
CSPDarkNetBackbone 模型，具有 [64, 128, 256, 512] 個通道和 [1, 3, 3, 1] 的深度。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(1/255.0)層。 - input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetSBackbone()
output = model(input_data)
CSPDarkNetMBackbone 類別
keras_cv.models.CSPDarkNetMBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
CSPDarkNetBackbone 模型，具有 [96, 192, 384, 768] 個通道和 [2, 6, 6, 2] 的深度。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(1/255.0)層。 - input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetMBackbone()
output = model(input_data)
CSPDarkNetLBackbone 類別
keras_cv.models.CSPDarkNetLBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
CSPDarkNetBackbone 模型，具有 [128, 256, 512, 1024] 個通道和 [3, 9, 9, 3] 的深度。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(1/255.0)層。 - input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetLBackbone()
output = model(input_data)
CSPDarkNetXLBackbone 類別
keras_cv.models.CSPDarkNetXLBackbone(
stackwise_channels,
stackwise_depth,
include_rescaling,
use_depthwise=False,
input_shape=(None, None, 3),
input_tensor=None,
**kwargs
)
CSPDarkNetBackbone 模型，具有 [170, 340, 680, 1360] 個通道和 [4, 12, 12, 4] 的深度。
參考
對於遷移學習的用例，請務必閱讀遷移學習和微調指南。
引數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(1/255.0)層。 - input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = CSPDarkNetXLBackbone()
output = model(input_data)