► Keras 3 API 文件 / KerasCV / 模型 / 骨幹網路 / EfficientNet Lite 骨幹網路

EfficientNet Lite 骨幹網路

[來源]

EfficientNetLiteBackbone 類別

keras_cv.models.EfficientNetLiteBackbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

使用給定的縮放係數實例化 EfficientNetLite 架構。

參考

參數

  • include_rescaling：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。
  • width_coefficient：浮點數，網路寬度的縮放係數。
  • depth_coefficient：浮點數，網路深度的縮放係數。
  • dropout_rate：浮點數，最終分類器層之前的 Dropout 比例。
  • drop_connect_rate：浮點數，跳躍連接處的 Dropout 比例。預設值設定為 0.2。
  • depth_divisor：整數，網路寬度的單位。預設值設定為 8。
  • activation：激活函數。
  • input_shape：可選的形狀元組，它應該正好有 3 個輸入通道。
  • input_tensor：可選的 Keras 張量（即 keras.layers.Input() 的輸出），用作模型的圖像輸入。

範例

# Construct an EfficientNetLite from a preset:
efficientnet = models.EfficientNetLiteBackbone.from_preset(
    "efficientnetlite_b0"
)
images = np.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)

# Alternatively, you can also customize the EfficientNetLite architecture:
model = EfficientNetLiteBackbone(
    stackwise_kernel_sizes=[3, 3, 5, 3, 5, 5, 3],
    stackwise_num_repeats=[1, 2, 2, 3, 3, 4, 1],
    stackwise_input_filters=[32, 16, 24, 40, 80, 112, 192],
    stackwise_output_filters=[16, 24, 40, 80, 112, 192, 320],
    stackwise_expansion_ratios=[1, 6, 6, 6, 6, 6, 6],
    stackwise_strides=[1, 2, 2, 2, 1, 2, 1],
    width_coefficient=1.0,
    depth_coefficient=1.0,
    include_rescaling=False,
)
images = np.ones((1, 256, 256, 3))
outputs = model.predict(images)

[來源]

from_preset 方法

EfficientNetLiteBackbone.from_preset()

從預設配置和權重實例化 EfficientNetLiteBackbone 模型。

參數

  • preset：字串。必須是 "efficientnetlite_b0"、"efficientnetlite_b1"、"efficientnetlite_b2"、"efficientnetlite_b3"、"efficientnetlite_b4" 之一。如果要尋找具有預訓練權重的預設配置，請選擇 "" 之一。
  • load_weights：是否將預訓練權重載入模型。預設為 None，這取決於預設配置是否有可用的預訓練權重。

範例

# Load architecture and weights from preset
model = keras_cv.models.EfficientNetLiteBackbone.from_preset(
    "",
)

# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.EfficientNetLiteBackbone.from_preset(
    "",
    load_weights=False,
預設名稱 參數 描述
efficientnetlite_b0 3.41M 具有 7 個卷積區塊的 EfficientNet B 風格架構。此 B 風格模型具有 width_coefficient=1.0 和 depth_coefficient=1.0。
efficientnetlite_b1 4.19M 採用 7 個卷積區塊的 EfficientNet B 型架構。此 B 型模型的 width_coefficient=1.0 且 depth_coefficient=1.1。
efficientnetlite_b2 4.87M 採用 7 個卷積區塊的 EfficientNet B 型架構。此 B 型模型的 width_coefficient=1.1 且 depth_coefficient=1.2。
efficientnetlite_b3 6.99M 採用 7 個卷積區塊的 EfficientNet B 型架構。此 B 型模型的 width_coefficient=1.2 且 depth_coefficient=1.4。
efficientnetlite_b4 11.84M 採用 7 個卷積區塊的 EfficientNet B 型架構。此 B 型模型的 width_coefficient=1.4 且 depth_coefficient=1.8。

[來源]

EfficientNetLiteB0Backbone 類別

keras_cv.models.EfficientNetLiteB0Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

實例化 EfficientNetLiteB0 架構。

參考

參數

  • include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，輸入將會通過 Rescaling(1/255.0) 圖層。
  • input_shape：可選的形狀元組，預設為 (None, None, 3)。
  • input_tensor：可選的 Keras 張量（例如 layers.Input() 的輸出），用作模型的圖像輸入。

範例

input_data = np.ones(shape=(8, 224, 224, 3))

# Randomly initialized backbone
model = EfficientNetLiteB0Backbone()
output = model(input_data)

[來源]

EfficientNetLiteB1Backbone 類別

keras_cv.models.EfficientNetLiteB1Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

實例化 EfficientNetLiteB1 架構。

參考

參數

  • include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，輸入將會通過 Rescaling(1/255.0) 圖層。
  • input_shape：可選的形狀元組，預設為 (None, None, 3)。
  • input_tensor：可選的 Keras 張量（例如 layers.Input() 的輸出），用作模型的圖像輸入。

範例

input_data = np.ones(shape=(8, 224, 224, 3))

# Randomly initialized backbone
model = EfficientNetLiteB1Backbone()
output = model(input_data)

[來源]

EfficientNetLiteB2Backbone 類別

keras_cv.models.EfficientNetLiteB2Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

實例化 EfficientNetLiteB2 架構。

參考

參數

  • include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，輸入將會通過 Rescaling(1/255.0) 圖層。
  • input_shape：可選的形狀元組，預設為 (None, None, 3)。
  • input_tensor：可選的 Keras 張量（例如 layers.Input() 的輸出），用作模型的圖像輸入。

範例

input_data = np.ones(shape=(8, 224, 224, 3))

# Randomly initialized backbone
model = EfficientNetLiteB2Backbone()
output = model(input_data)

[來源]

EfficientNetLiteB3Backbone 類別

keras_cv.models.EfficientNetLiteB3Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

實例化 EfficientNetLiteB3 架構。

參考

參數

  • include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，輸入將會通過 Rescaling(1/255.0) 圖層。
  • input_shape：可選的形狀元組，預設為 (None, None, 3)。
  • input_tensor：可選的 Keras 張量（例如 layers.Input() 的輸出），用作模型的圖像輸入。

範例

input_data = np.ones(shape=(8, 224, 224, 3))

# Randomly initialized backbone
model = EfficientNetLiteB3Backbone()
output = model(input_data)

[來源]

EfficientNetLiteB4Backbone 類別

keras_cv.models.EfficientNetLiteB4Backbone(
    include_rescaling,
    width_coefficient,
    depth_coefficient,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_strides,
    dropout_rate=0.2,
    drop_connect_rate=0.2,
    depth_divisor=8,
    input_shape=(None, None, 3),
    input_tensor=None,
    activation="relu6",
    **kwargs
)

實例化 EfficientNetLiteB4 架構。

參考

參數

  • include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，輸入將會通過 Rescaling(1/255.0) 圖層。
  • input_shape：可選的形狀元組，預設為 (None, None, 3)。
  • input_tensor：可選的 Keras 張量（例如 layers.Input() 的輸出），用作模型的圖像輸入。

範例

input_data = np.ones(shape=(8, 224, 224, 3))

# Randomly initialized backbone
model = EfficientNetLiteB4Backbone()
output = model(input_data)
EfficientNet Lite 骨幹網路
EfficientNetLiteBackbone 類別
from_preset 方法
EfficientNetLiteB0Backbone 類別
EfficientNetLiteB1Backbone 類別
EfficientNetLiteB2Backbone 類別
EfficientNetLiteB3Backbone 類別
EfficientNetLiteB4Backbone 類別