ssdlite320_mobilenet_v3_large

torchvision.models.detection.ssdlite320_mobilenet_v3_large(*, weights: Optional[SSDLite320_MobileNet_V3_Large_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, norm_layer: Optional[Callable[[...], Module]] = None, **kwargs: Any) → SSD

帶有 320x320 輸入尺寸和 MobileNetV3 Large 主幹網路的 SSDlite 模型架構，如論文 Searching for MobileNetV3 和 MobileNetV2: Inverted Residuals and Linear Bottlenecks 中所述。

警告

檢測模組處於 Beta 階段，不保證向後相容性。

更多詳細資訊請參見 ssd300_vgg16()。

示例

>>> model = torchvision.models.detection.ssdlite320_mobilenet_v3_large(weights=SSDLite320_MobileNet_V3_Large_Weights.DEFAULT)
>>> model.eval()
>>> x = [torch.rand(3, 320, 320), torch.rand(3, 500, 400)]
>>> predictions = model(x)

引數：

• weights (SSDLite320_MobileNet_V3_Large_Weights, 可選) – 要使用的預訓練權重。更多詳細資訊和可能的值請參見下方的 SSDLite320_MobileNet_V3_Large_Weights。預設情況下不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在 stderr 中顯示下載進度條。預設為 True。

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

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

• trainable_backbone_layers (int, 可選) – 從最終塊開始的可訓練（未凍結）層數。有效值為 0 到 6 之間，其中 6 表示所有主幹網路層都是可訓練的。如果傳入 None（預設值），則此值設定為 6。

• norm_layer (callable, 可選) – 指定要使用的歸一化層模組。

• **kwargs – 傳遞給 torchvision.models.detection.ssd.SSD 基類的引數。有關此類的更多詳細資訊，請參閱原始碼。

類 torchvision.models.detection.SSDLite320_MobileNet_V3_Large_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。SSDLite320_MobileNet_V3_Large_Weights.DEFAULT 等同於 SSDLite320_MobileNet_V3_Large_Weights.COCO_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

SSDLite320_MobileNet_V3_Large_Weights.COCO_V1:

這些權重是透過遵循與論文中相似的訓練方案產生的。也可用作 SSDLite320_MobileNet_V3_Large_Weights.DEFAULT。

box_map (在 COCO-val2017 上)	21.3
num_params	3440060
類別	__background__, person, bicycle, ... (省略 88 個)
min_size	height=1, width=1
方案	連結
GFLOPS	0.58
檔案大小	13.4 MB

推理轉換可透過 SSDLite320_MobileNet_V3_Large_Weights.COCO_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。影像被重新縮放到 [0.0, 1.0]。