deeplabv3_resnet50

torchvision.models.segmentation.deeplabv3_resnet50(*, weights: Optional[DeepLabV3_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) → DeepLabV3

建構一個使用 ResNet-50 主幹的 DeepLabV3 模型。

警告

分割模組處於 Beta 階段，不保證向後相容性。

參考文獻：Rethinking Atrous Convolution for Semantic Image Segmentation。

參數:

• weights (DeepLabV3_ResNet50_Weights, optional) – 要使用的預訓練權重。請參閱下方的 DeepLabV3_ResNet50_Weights 以取得更多詳細資訊和可能的值。預設情況下，不使用預訓練權重。

• progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載進度條。預設值為 True。

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

• aux_loss (bool, optional) – 如果為 True，則使用輔助損失

• weights_backbone (ResNet50_Weights, optional) – 主幹的預訓練權重

• **kwargs – 未使用

class torchvision.models.segmentation.DeepLabV3_ResNet50_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。DeepLabV3_ResNet50_Weights.DEFAULT 等同於 DeepLabV3_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'。

DeepLabV3_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1:

這些權重是在 COCO 的子集上訓練的，僅使用 Pascal VOC 資料集中存在的 20 個類別。 也可作為 DeepLabV3_ResNet50_Weights.DEFAULT 使用。

miou (在 COCO-val2017-VOC-labels 上)	66.4
pixel_acc (在 COCO-val2017-VOC-labels 上)	92.4
類別	__背景__, 飛機, 自行車, … (省略 18 個)
最小尺寸	height=1, width=1
參數數量	42004074
方法	連結
GFLOPS	178.72
檔案大小	160.5 MB

推論轉換可在 DeepLabV3_ResNet50_Weights.COCO_WITH_VOC_LABELS_V1.transforms 中取得，並執行以下預處理操作： 接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 圖片 torch.Tensor 物件。 圖片使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[520]。 最後，值會先重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行正規化。