影像分割器
ImageSegmenter 類別
keras_hub.models.ImageSegmenter(*args, compile=True, **kwargs)
所有影像分割任務的基礎類別。
ImageSegmenter 任務封裝了 keras_hub.models.Task 和 keras_hub.models.Preprocessor，以建立可用於影像分割的模型。
所有 ImageSegmenter 任務都包含 from_preset() 建構子，可用於載入預訓練的配置和權重。
from_preset 方法
ImageSegmenter.from_preset(preset, load_weights=True, **kwargs)
從模型預設實例化 keras_hub.models.Task。
預設是一個包含配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。 preset 可以作為以下其中之一傳遞
- 內建預設識別符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地預設目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您可以執行 cls.presets.keys() 來列出該類別上所有可用的內建預設。
此建構子可以透過兩種方式呼叫。 從任務特定的基礎類別（如 keras_hub.models.CausalLM.from_preset()）呼叫，或從模型類別（如 keras_hub.models.BertTextClassifier.from_preset()）呼叫。 如果從基礎類別呼叫，則傳回物件的子類別將從預設目錄中的配置中推斷出來。
引數
- preset：字串。 內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本地目錄的路徑。
- load_weights：布林值。 如果為
True，則儲存的權重將載入到模型架構中。 如果為False，則所有權重將隨機初始化。
範例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
| 預設 | 參數 | 描述 |
|---|---|---|
| basnet_duts | 108.89M | 具有 34 層 ResNet 主幹的 BASNet 模型，在 288x288 解析度的 DUTS 影像資料集上進行預訓練。 模型訓練由 Hamid Ali 執行 (https://github.com/hamidriasat/BASNet)。 |
| deeplab_v3_plus_resnet50_pascalvoc | 39.19M | DeepLabV3+ 模型，以 ResNet50 作為影像編碼器，並在 Semantic Boundaries Dataset (SBD) 擴增的 Pascal VOC 資料集上進行訓練，其類別準確度為 90.01，平均 IoU 為 0.63。 |
| sam_base_sa1b | 93.74M | 在 SA1B 資料集上訓練的基礎 SAM 模型。 |
| sam_huge_sa1b | 312.34M | 在 SA1B 資料集上訓練的巨大 SAM 模型。 |
| sam_large_sa1b | 641.09M | 在 SA1B 資料集上訓練的大型 SAM 模型。 |
| segformer_b0_ade20k_512 | 3.72M | SegFormer 模型，具有 MiTB0 主幹，在 512x512 解析度的 ADE20k 上進行微調。 |
| segformer_b0_cityscapes_1024 | 3.72M | SegFormer 模型，具有 MiTB0 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
| segformer_b1_ade20k_512 | 13.68M | SegFormer 模型，具有 MiTB1 主幹，在 512x512 解析度的 ADE20k 上進行微調。 |
| segformer_b1_cityscapes_1024 | 13.68M | SegFormer 模型，具有 MiTB1 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
| segformer_b2_ade20k_512 | 24.73M | SegFormer 模型，具有 MiTB2 主幹，在 512x512 解析度的 ADE20k 上進行微調。 |
| segformer_b2_cityscapes_1024 | 24.73M | SegFormer 模型，具有 MiTB2 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
| segformer_b3_ade20k_512 | 44.60M | SegFormer 模型，具有 MiTB3 主幹，在 512x512 解析度的 ADE20k 上進行微調。 |
| segformer_b3_cityscapes_1024 | 44.60M | SegFormer 模型，具有 MiTB3 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
| segformer_b4_ade20k_512 | 61.37M | SegFormer 模型，具有 MiTB4 主幹，在 512x512 解析度的 ADE20k 上進行微調。 |
| segformer_b4_cityscapes_1024 | 61.37M | SegFormer 模型，具有 MiTB4 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
| segformer_b5_ade20k_640 | 81.97M | SegFormer 模型，具有 MiTB5 主幹，在 640x640 解析度的 ADE20k 上進行微調。 |
| segformer_b5_cityscapes_1024 | 81.97M | SegFormer 模型，具有 MiTB5 主幹，在 1024x1024 解析度的 Cityscapes 上進行微調。 |
compile 方法
ImageSegmenter.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)
配置 ImageSegmenter 任務以進行訓練。
ImageSegmenter 任務擴展了 keras.Model.compile 的預設編譯簽章，並包含 optimizer、loss 和 metrics 的預設值。 若要覆寫這些預設值，請在編譯期間將任何值傳遞給這些引數。
引數
- optimizer：
"auto"、最佳化器名稱或keras.Optimizer實例。 預設為"auto"，它會針對給定的模型和任務使用預設最佳化器。 請參閱keras.Model.compile和keras.optimizers以取得有關可能的optimizer值的更多資訊。 - loss：
"auto"、損失名稱或keras.losses.Loss實例。 預設為"auto"，其中keras.losses.SparseCategoricalCrossentropy損失將應用於分類任務。 請參閱keras.Model.compile和keras.losses以取得有關可能的loss值的更多資訊。 - metrics：
"auto"或要在訓練和測試期間由模型評估的指標列表。 預設為"auto"，其中keras.metrics.SparseCategoricalAccuracy將應用於追蹤模型在訓練期間的準確度。 請參閱keras.Model.compile和keras.metrics以取得有關可能的metrics值的更多資訊。 - **kwargs：請參閱
keras.Model.compile以取得 compile 方法支援的完整引數列表。
save_to_preset 方法
ImageSegmenter.save_to_preset(preset_dir)
將任務儲存到預設目錄。
引數
- preset_dir：本地模型預設目錄的路徑。
preprocessor 屬性
keras_hub.models.ImageSegmenter.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。
backbone 屬性
keras_hub.models.ImageSegmenter.backbone
具有核心架構的 keras_hub.models.Backbone 模型。