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

构造一个带有 ResNet-101 主干的 DeepLabV3 模型。

警告

此分割模块处于 Beta 阶段，不保证向后兼容性。

参考： 重新思考用于语义图像分割的空洞卷积。

参数:

• weights (DeepLabV3_ResNet101_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下面的 DeepLabV3_ResNet101_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) – 模型的输出类别数（包括背景）

• aux_loss (bool, optional) – 如果为 True，则使用辅助损失

• weights_backbone (ResNet101_Weights, 可选) – 主干的预训练权重

• **kwargs – 未使用

class torchvision.models.segmentation.DeepLabV3_ResNet101_Weights(value)

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。您也可以使用字符串，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。也可用作 DeepLabV3_ResNet101_Weights.DEFAULT。

miou (在 COCO-val2017-VOC-labels 上)	67.4
pixel_acc (在 COCO-val2017-VOC-labels 上)	92.4
类别	__background__、 aeroplane、bicycle、… (省略了 18 个)
min_size	height=1, width=1
参数数量	60996202
方案	链接
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 找到，并执行以下预处理操作：接受 PIL.Image、批处理后的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像调整到 resize_size=[520]。最后，先将值缩放到 [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。