fasterrcnn_mobilenet_v3_large_320_fpn

torchvision.models.detection.fasterrcnn_mobilenet_v3_large_320_fpn(*, weights: Optional[FasterRCNN_MobileNet_V3_Large_320_FPN_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, **kwargs: Any) → FasterRCNN

低解析度 Faster R-CNN 模型，使用 MobileNetV3-Large 主幹網路，針對移動用例進行調優。

警告

檢測模組處於 Beta 階段，不保證向後相容性。

它的工作方式類似於使用 ResNet-50 FPN 主幹網路的 Faster R-CNN 模型。有關更多詳細資訊，請參閱fasterrcnn_resnet50_fpn()。

示例

>>> model = torchvision.models.detection.fasterrcnn_mobilenet_v3_large_320_fpn(weights=FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT)
>>> model.eval()
>>> x = [torch.rand(3, 300, 400), torch.rand(3, 500, 400)]
>>> predictions = model(x)

引數:

• weights (FasterRCNN_MobileNet_V3_Large_320_FPN_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，請參閱下方的FasterRCNN_MobileNet_V3_Large_320_FPN_Weights。預設情況下不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在標準錯誤輸出中顯示下載進度條。預設為 True。

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

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

• trainable_backbone_layers (int, 可選) – 從最後一個塊開始的可訓練（非凍結）層數。有效值在 0 到 6 之間，其中 6 表示所有主幹層都是可訓練的。如果傳入 None（預設值），則此值設定為 3。

• **kwargs – 傳遞給 torchvision.models.detection.faster_rcnn.FasterRCNN 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.FasterRCNN_MobileNet_V3_Large_320_FPN_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT 等同於 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1:

這些權重是按照與論文中相似的訓練方法生成的。也可透過 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT 獲取。

box_map（在 COCO-val2017 資料集上）	22.8
類別	__background__, person, bicycle, … (省略了 88 個)
min_size	height=1, width=1
num_params	19386354
訓練方法	連結
GFLOPS	0.72
檔案大小	74.2 MB

推理變換可在 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1.transforms 中獲取，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。影像會被重新縮放到 [0.0, 1.0]。