fcn_resnet50¶
- torchvision.models.segmentation.fcn_resnet50(*, weights: Optional[FCN_ResNet50_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, aux_loss: Optional[bool] = None, weights_backbone: Optional[ResNet50_Weights] = ResNet50_Weights.IMAGENET1K_V1, **kwargs: Any) FCN[source]¶
一個具有 ResNet-50 主幹的全卷積網路（Fully-Convolutional Network）模型，來自 《用於語義分割的全卷積網路》（Fully Convolutional Networks for Semantic Segmentation）論文。
警告
分割模組處於 Beta 階段，不保證向後相容性。
- 引數：
weights (
FCN_ResNet50_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，請參見下方的FCN_ResNet50_Weights。預設不使用預訓練權重。progress (bool, 可選) – 如果為 True，則向 stderr 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）。
aux_loss (bool, 可選) – 如果為 True，則使用輔助損失。
weights_backbone (
ResNet50_Weights, 可選) – 主幹的預訓練權重。**kwargs – 傳遞給
torchvision.models.segmentation.fcn.FCN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.segmentation.FCN_ResNet50_Weights(value)[source]¶
上面的模型構建器接受以下值作為
weights引數。FCN_ResNet50_Weights.DEFAULT等同於FCN_ResNet50_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'。FCN_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1:
這些權重是在 COCO 資料集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。也可作為
FCN_ResNet50_Weights.DEFAULT使用。miou (在 COCO-val2017-VOC-labels 上)
60.5
畫素精度 (在 COCO-val2017-VOC-labels 上)
91.4
類別
__背景__, aeroplane, bicycle, ... (省略了 18 個)
最小尺寸
height=1, width=1
引數數量
35322218
配置
GFLOPS
152.72
檔案大小
135.0 MB
推理轉換可從
FCN_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1.transforms獲取，並執行以下預處理操作：接受PIL.Image物件、批處理(B, C, H, W)和單張(C, H, W)影像torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將影像調整大小到resize_size=[520]。最後，先將值重新縮放至[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。
使用
fcn_resnet50的示例
