fasterrcnn_mobilenet_v3_large_320_fpn

torchvision.models.detection.fasterrcnn_mobilenet_v3_large_320_fpn(*, weights: Optional[FasterRCNN_MobileNet_V3_Large_320_FPN_Weights] = None, progress: bool = True, num_classes: Optional[int] = None, weights_backbone: Optional[MobileNet_V3_Large_Weights] = MobileNet_V3_Large_Weights.IMAGENET1K_V1, trainable_backbone_layers: Optional[int] = None, **kwargs: Any) → FasterRCNN

专为移动用例优化的、具有 MobileNetV3-Large 主干的低分辨率 Faster R-CNN 模型。

警告

检测模块处于 Beta 阶段，不保证向后兼容。

它的工作方式类似于带有 ResNet-50 FPN 主干的 Faster R-CNN。有关更多详细信息，请参阅 fasterrcnn_resnet50_fpn()。

示例

>>> model = torchvision.models.detection.fasterrcnn_mobilenet_v3_large_320_fpn(weights=FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT)
>>> model.eval()
>>> x = [torch.rand(3, 300, 400), torch.rand(3, 500, 400)]
>>> predictions = model(x)

参数:

• weights (FasterRCNN_MobileNet_V3_Large_320_FPN_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能值，请参阅下面的 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 如果为 True，则在 stderr 上显示下载进度条。默认为 True。

• num_classes (int, optional) – 模型输出类的数量（包括背景）

• weights_backbone (MobileNet_V3_Large_Weights, 可选) – 主干的预训练权重。

• trainable_backbone_layers (int, optional) – 从最后一个块开始的可训练（非冻结）层数。有效值为 0 到 6，其中 6 表示所有主干层均可训练。如果传递 None（默认值），则此值将设置为 3。

• **kwargs – 传递给 torchvision.models.detection.faster_rcnn.FasterRCNN 基类的参数。有关此类参数的更多详细信息，请参阅 源代码。

class torchvision.models.detection.FasterRCNN_MobileNet_V3_Large_320_FPN_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT 等同于 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='COCO_V1'。

FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1:

这些权重是根据与论文中相似的训练配方产生的。也可作为 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.DEFAULT 使用。

box_map (在 COCO-val2017 上)	22.8
类别	__background__, person, bicycle, … (省略 88 个)
min_size	height=1, width=1
参数数量	19386354
方案	链接
GFLOPS	0.72
文件大小	74.2 MB

推理变换可在 FasterRCNN_MobileNet_V3_Large_320_FPN_Weights.COCO_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像将被缩放到 [0.0, 1.0]。