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骨干网络构建DeepLabV3模型。
警告
分割模块目前处于测试阶段，不保证向后兼容性。
参考：Rethinking Atrous Convolution for Semantic Image Segmentation.
- Parameters:
weights (
DeepLabV3_ResNet101_Weights, 可选) – 使用的预训练权重。有关更多详情和可能的值，请参见下面的DeepLabV3_ResNet101_Weights。默认情况下，不使用预训练权重。progress (bool, 可选) – 如果为True，则在stderr上显示下载进度条。默认值为True。
num_classes (int, optional) – 模型的输出类别数（包括背景）
aux_loss (bool, 可选) – 如果为True，则使用辅助损失
weights_backbone (
ResNet101_Weights, 可选) – 用于骨干网络的预训练权重**kwargs – 未使用
- class torchvision.models.segmentation.DeepLabV3_ResNet101_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。DeepLabV3_ResNet101_Weights.DEFAULT等同于DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1。你也可以使用字符串，例如weights='DEFAULT'或weights='COCO_WITH_VOC_LABELS_V1'。DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1:
这些权重是在COCO的一个子集上训练的，仅使用了Pascal VOC数据集中存在的20个类别。 也可以作为
DeepLabV3_ResNet101_Weights.DEFAULT使用。miou (在 COCO-val2017-VOC-labels 上)
67.4
像素准确率（在COCO-val2017-VOC标签上）
92.4
分类
__background__, 飞机, 自行车, … (省略18个)
最小尺寸
高度=1, 宽度=1
num_params
60996202
食谱
GFLOPS
258.74
文件大小
233.2 MB
推理转换可在
DeepLabV3_ResNet101_Weights.COCO_WITH_VOC_LABELS_V1.transforms中找到，并执行以下预处理操作：接受PIL.Image、批处理(B, C, H, W)和单张(C, H, W)图像torch.Tensor对象。图像使用interpolation=InterpolationMode.BILINEAR调整为resize_size=[520]。最后，值首先缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。
