deeplabv3_mobilenet_v3_large¶
- torchvision.models.segmentation.deeplabv3_mobilenet_v3_large(*, weights: Optional[DeepLabV3_MobileNet_V3_Large_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, aux_loss: Optional[bool] = None, weights_backbone: Optional[MobileNet_V3_Large_Weights] = MobileNet_V3_Large_Weights.IMAGENET1K_V1, **kwargs: Any) DeepLabV3[source]¶
使用 MobileNetV3-Large 主幹網路構建 DeepLabV3 模型。
參考：Rethinking Atrous Convolution for Semantic Image Segmentation。
- 引數:
weights (
DeepLabV3_MobileNet_V3_Large_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，請參閱下面的DeepLabV3_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，則向標準錯誤輸出顯示下載進度條。預設值為 True。
num_classes (int, 可選) – 模型的輸出類別數量（包括背景）
aux_loss (bool, 可選) – 如果為 True，則使用輔助損失
weights_backbone (
MobileNet_V3_Large_Weights, 可選) – 主幹網路的預訓練權重**kwargs – 未使用
- class torchvision.models.segmentation.DeepLabV3_MobileNet_V3_Large_Weights(value)[source]¶
上述模型構建器接受以下值作為
weights引數。DeepLabV3_MobileNet_V3_Large_Weights.DEFAULT等同於DeepLabV3_MobileNet_V3_Large_Weights.COCO_WITH_VOC_LABELS_V1。您也可以使用字串，例如weights='DEFAULT'或weights='COCO_WITH_VOC_LABELS_V1'。DeepLabV3_MobileNet_V3_Large_Weights.COCO_WITH_VOC_LABELS_V1:
這些權重是在 COCO 的一個子集上訓練的，僅使用了 Pascal VOC 資料集中存在的 20 個類別。也可用作
DeepLabV3_MobileNet_V3_Large_Weights.DEFAULT。miou (在 COCO-val2017-VOC-labels 上)
60.3
pixel_acc (在 COCO-val2017-VOC-labels 上)
91.2
類別
__background__, aeroplane, bicycle, … (省略了 18 個)
最小尺寸
height=1, width=1
引數數量
11029328
訓練配方
GFLOPS
10.45
檔案大小
42.3 MB
推理轉換可透過
DeepLabV3_MobileNet_V3_Large_Weights.COCO_WITH_VOC_LABELS_V1.transforms獲得，並執行以下預處理操作：接受PIL.Image、批次(B, C, H, W)和單個(C, H, W)影像torch.Tensor物件。影像使用interpolation=InterpolationMode.BILINEAR調整大小到resize_size=[520]。最後，先將值重新縮放到[0.0, 1.0]，然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行歸一化。
