deeplabv3_resnet101¶
- torchvision.models.segmentation.deeplabv3_resnet101(*, weights: Optional[DeepLabV3_ResNet101_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, aux_loss: Optional[bool] = None, weights_backbone: Optional[ResNet101_Weights] = ResNet101_Weights.IMAGENET1K_V1, **kwargs: Any) DeepLabV3[source]¶
使用 ResNet-101 主幹網路構建 DeepLabV3 模型。
警告
此分割模組處於 Beta 階段，不保證向後相容性。
參考： Rethinking Atrous Convolution for Semantic Image Segmentation。
- 引數：
weights (
DeepLabV3_ResNet101_Weights, optional) – 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_ResNet101_Weights。預設情況下，不使用預訓練權重。progress (bool, optional) – 如果為 True，則在 stderr 中顯示下載進度條。預設值為 True。
num_classes (int, optional) – 模型的輸出類別數（包括背景）
aux_loss (bool, optional) – 如果為 True，則使用輔助損失
weights_backbone (
ResNet101_Weights, optional) – 主幹網路的預訓練權重**kwargs – 未使用
- class torchvision.models.segmentation.DeepLabV3_ResNet101_Weights(value)[source]¶
上面的模型構建器接受以下值作為
weights引數。DeepLabV3_ResNet101_Weights.DEFAULT等效於DeepLabV3_ResNet101_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_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1:
這些權重在 COCO 資料集的子集上訓練，僅使用了 Pascal VOC 資料集中存在的 20 個類別。 也可透過
DeepLabV3_ResNet101_Weights.DEFAULT獲取。mIOU (在 COCO-val2017-VOC-labels 上)
67.4
pixel_acc (在 COCO-val2017-VOC-labels 上)
92.4
類別
__background__, aeroplane, bicycle, ... (省略 18 個)
最小尺寸
高度=1，寬度=1
引數數量
60996202
訓練指令碼
GFLOPS
258.74
檔案大小
233.2 MB
推理變換可在
DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_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)和單個的(C, H, W)影像torch.Tensor物件。 使用interpolation=InterpolationMode.BILINEAR將影像大小調整為resize_size=[520]。 最後，值首先重新縮放到[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。
