Transformers 文档

MobileNet V2

Hugging Face's logo
加入Hugging Face社区

并获得增强文档体验

开始使用

MobileNet V2

概述

MobileNet 模型由 Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov 和 Liang-Chieh Chen 在 MobileNetV2:反向残差和线性瓶颈 中提出。

论文摘要如下:

本文介绍了一种新的移动端架构 MobileNetV2,它在多个任务和基准测试中,以及跨不同模型尺寸的范围内,提高了移动端模型的最新性能。我们还描述了在名为 SSDLite 的新框架中,将这些移动端模型有效地应用于目标检测的方法。此外,我们还演示了如何通过 DeepLabv3 的简化版本(我们称之为 Mobile DeepLabv3)构建移动端语义分割模型。

MobileNetV2 架构基于反向残差结构,其中残差块的输入和输出是细长的瓶颈层,这与传统的残差模型相反,传统的残差模型在输入中使用扩展表示,MobileNetV2 使用轻量级的深度可分离卷积来过滤中间扩展层中的特征。此外,我们发现,为了保持表示能力,在窄层中去除非线性激活函数非常重要。我们证明了这一点可以提高性能,并提供了导致这种设计的直觉。最后,我们的方法允许将输入/输出域与变换的表达能力解耦,这为进一步分析提供了一个便捷的框架。我们在 ImageNet 分类、COCO 目标检测和 VOC 图像分割上衡量了我们的性能。我们评估了准确率、乘加运算次数(MAdd)和参数数量之间的权衡。

此模型由 matthijs 贡献。原始代码和权重可以在 此处(主模型)此处(DeepLabV3+) 找到。

使用技巧

  • 检查点命名为 mobilenet_v2_depth_size,例如 mobilenet_v2_1.0_224,其中 1.0 是深度乘数(有时也称为“alpha”或宽度乘数),224 是模型训练所用输入图像的分辨率。

  • 即使检查点是在特定尺寸的图像上训练的,模型也可以处理任何尺寸的图像。支持的最小图像尺寸为 32x32。

  • 可以使用 MobileNetV2ImageProcessor 来准备模型的图像。

  • 可用的图像分类检查点是在 ImageNet-1k(也称为 ILSVRC 2012,包含 130 万张图像和 1000 个类别)上预训练的。但是,模型预测 1001 个类别:ImageNet 中的 1000 个类别加上一个额外的“背景”类别(索引为 0)。

  • 分割模型使用 DeepLabV3+ 头。可用的语义分割检查点是在 PASCAL VOC 上预训练的。

  • 原始 TensorFlow 检查点使用与 PyTorch 不同的填充规则,这要求模型在推理时确定填充量,因为这取决于输入图像的大小。要使用原生 PyTorch 填充行为,请创建一个具有 tf_padding = FalseMobileNetV2Config

不支持的功能

  • MobileNetV2Model 输出最后一个隐藏状态的全局池化版本。在原始模型中,可以使用具有固定 7x7 窗口和步长 1 的平均池化层,而不是全局池化。对于大于推荐图像尺寸的输入,这会产生大于 1x1 的池化输出。Hugging Face 实现不支持此功能。

  • 原始 TensorFlow 检查点包含量化模型。我们不支持这些模型,因为它们包含额外的“FakeQuantization”操作来取消量化权重。

  • 通常会提取索引 10 和 13 处扩展层的输出,以及最终 1x1 卷积层的输出,用于下游目的。使用 output_hidden_states=True 将返回所有中间层的输出。目前无法将其限制到特定层。

  • DeepLabV3+ 分割头不使用来自骨干网络的最终卷积层,但此层仍会计算。目前无法告诉 MobileNetV2Model 应运行到哪一层。

资源

以下列出了官方 Hugging Face 和社区(以 🌎 表示)资源,以帮助您开始使用 MobileNetV2。

图像分类

语义分割

如果您有兴趣提交要在此处包含的资源,请随时打开一个拉取请求,我们将对其进行审查!理想情况下,该资源应展示一些新内容,而不是重复现有资源。

MobileNetV2Config

transformers.MobileNetV2Config

< >

( num_channels = 3 image_size = 224 depth_multiplier = 1.0 depth_divisible_by = 8 min_depth = 8 expand_ratio = 6.0 output_stride = 32 first_layer_is_expansion = True finegrained_output = True hidden_act = 'relu6' tf_padding = True classifier_dropout_prob = 0.8 initializer_range = 0.02 layer_norm_eps = 0.001 semantic_loss_ignore_index = 255 **kwargs )

参数

  • num_channels (int可选,默认为 3) — 输入通道数。
  • image_size (int可选,默认为 224) — 每个图像的大小(分辨率)。
  • depth_multiplier (float可选,默认为 1.0) — 缩小或扩展每一层中的通道数。默认值为 1.0,它以 32 个通道启动网络。有时也称为“alpha”或“宽度乘数”。
  • depth_divisible_by (int可选,默认为 8) — 每一层的通道数始终是此数字的倍数。
  • min_depth (int可选,默认为 8) — 所有层将至少具有这么多通道。
  • expand_ratio (float可选,默认为 6.0) — 每个块中第一层的输出通道数是输入通道数乘以扩展比率。
  • output_stride (int可选,默认为 32) — 输入和输出特征图的空间分辨率之间的比率。默认情况下,模型将输入尺寸缩小 32 倍。如果output_stride为 8 或 16,则模型在深度方向层上使用扩张卷积而不是常规卷积,这样特征图永远不会比输入图像小 8 倍或 16 倍。
  • first_layer_is_expansion (bool可选,默认为 True) — 如果第一个卷积层也是第一个扩展块的扩展层,则为 True。
  • finegrained_output (bool可选,默认为 True) — 如果为真,则即使depth_multiplier小于 1,最终卷积层中的输出通道数也将保持较大(1280)。
  • hidden_act (strfunction可选,默认为 "relu6") — Transformer 编码器和卷积层中的非线性激活函数(函数或字符串)。
  • classifier_dropout_prob (float可选,默认为 0.8) — 附加分类器的 dropout 比率。
  • initializer_range (float可选,默认为 0.02) — 初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • layer_norm_eps (float可选,默认为 0.001) — 层归一化层使用的 epsilon。
  • semantic_loss_ignore_index (int可选,默认为 255) — 语义分割模型损失函数忽略的索引。

这是用于存储 MobileNetV2Model 配置的配置类。它用于根据指定的参数实例化 MobileNetV2 模型,定义模型架构。使用默认值实例化配置将产生与 MobileNetV2 google/mobilenet_v2_1.0_224 架构类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 中的文档以获取更多信息。

示例

>>> from transformers import MobileNetV2Config, MobileNetV2Model

>>> # Initializing a "mobilenet_v2_1.0_224" style configuration
>>> configuration = MobileNetV2Config()

>>> # Initializing a model from the "mobilenet_v2_1.0_224" style configuration
>>> model = MobileNetV2Model(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

MobileNetV2FeatureExtractor

transformers.MobileNetV2FeatureExtractor

< >

( *args **kwargs )

预处理

< >

( images: Union do_resize: Optional = None size: Dict = None resample: Resampling = None do_center_crop: bool = None crop_size: Dict = None do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (ImageInput) — 要预处理的图像。预期单个或批量的图像,像素值范围为 0 到 255。如果传入像素值介于 0 和 1 之间的图像,请设置 do_rescale=False
  • do_resize (bool, 可选,默认为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int], 可选,默认为 self.size) — 调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。
  • resample (PILImageResampling 过滤器, 可选,默认为 self.resample) — 如果调整图像大小,则使用 PILImageResampling 过滤器,例如 PILImageResampling.BILINEAR。仅当 do_resize 设置为 True 时才有效。
  • do_center_crop (bool, 可选,默认为 self.do_center_crop) — 是否对图像进行中心裁剪。
  • crop_size (Dict[str, int], 可选,默认为 self.crop_size) — 中心裁剪的大小。仅当 do_center_crop 设置为 True 时才有效。
  • do_rescale (bool, 可选,默认为 self.do_rescale) — 是否将图像值重新缩放至 [0 - 1] 之间。
  • rescale_factor (float, 可选,默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于重新缩放图像的缩放因子。
  • do_normalize (bool, 可选,默认为 self.do_normalize) — 是否标准化图像。
  • image_mean (floatList[float], 可选,默认为 self.image_mean) — 如果 do_normalize 设置为 True,则使用图像均值。
  • image_std (floatList[float], 可选,默认为 self.image_std) — 如果 do_normalize 设置为 True,则使用图像标准差。
  • data_format (ChannelDimensionstr, 可选,默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

预处理图像或图像批次。

post_process_semantic_segmentation

< >

( outputs target_sizes: List = None ) 语义分割

参数

  • outputs (MobileNetV2ForSemanticSegmentation) — 模型的原始输出。
  • target_sizes (长度为 batch_sizeList[Tuple], 可选) — 与每个预测的请求最终大小 (height, width) 对应的元组列表。如果未设置,则不会调整预测大小。

返回

semantic_segmentation

长度为 batch_sizeList[torch.Tensor],其中每个项目都是形状为 (height, width) 的语义分割图,对应于 target_sizes 条目(如果指定了 target_sizes)。每个 torch.Tensor 的每个条目对应于一个语义类别 ID。

MobileNetV2ForSemanticSegmentation 的输出转换为语义分割图。仅支持 PyTorch。

MobileNetV2ImageProcessor

transformers.MobileNetV2ImageProcessor

< >

( do_resize: bool = True size: Optional = None resample: Resampling = <Resampling.BILINEAR: 2> do_center_crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None **kwargs )

参数

  • do_resize (bool, 可选,默认为 True) — 是否将图像的 (height, width) 尺寸调整为指定的 size。可以在 preprocess 方法中的 do_resize 中覆盖。
  • size (Dict[str, int] 可选,默认为 {"shortest_edge" -- 256}):调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。可以在 preprocess 方法中通过 size 覆盖。
  • resample (PILImageResampling可选,默认为 PILImageResampling.BILINEAR) — 如果调整图像大小,则使用重采样过滤器。可以在 preprocess 方法中通过 resample 参数覆盖。
  • do_center_crop (bool可选,默认为 True) — 是否对图像进行中心裁剪。如果输入大小沿任何边小于 crop_size,则用 0 填充图像,然后进行中心裁剪。可以在 preprocess 方法中通过 do_center_crop 参数覆盖。
  • crop_size (Dict[str, int]可选,默认为 {"height" -- 224, "width": 224}):应用中心裁剪时的所需输出大小。仅当 do_center_crop 设置为 True 时才有效。可以在 preprocess 方法中通过 crop_size 参数覆盖。
  • do_rescale (bool可选,默认为 True) — 是否按指定的比例 rescale_factor 重新缩放图像。可以在 preprocess 方法中通过 do_rescale 参数覆盖。
  • rescale_factor (intfloat可选,默认为 1/255) — 如果重新缩放图像,则使用缩放因子。可以在 preprocess 方法中通过 rescale_factor 参数覆盖。 do_normalize — 是否标准化图像。可以在 preprocess 方法中通过 do_normalize 参数覆盖。
  • image_mean (floatList[float]可选,默认为 IMAGENET_STANDARD_MEAN) — 如果标准化图像,则使用均值。这是一个浮点数或长度等于图像通道数的浮点数列表。可以在 preprocess 方法中通过 image_mean 参数覆盖。
  • image_std (floatList[float]可选,默认为 IMAGENET_STANDARD_STD) — 如果标准化图像,则使用标准差。这是一个浮点数或长度等于图像通道数的浮点数列表。可以在 preprocess 方法中通过 image_std 参数覆盖。

构建 MobileNetV2 图像处理器。

预处理

< >

( images: Union do_resize: Optional = None size: Dict = None resample: Resampling = None do_center_crop: bool = None crop_size: Dict = None do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (ImageInput) — 要预处理的图像。预期为单个或一批像素值范围为 0 到 255 的图像。如果传入像素值介于 0 和 1 之间的图像,请将 do_rescale 设置为 False
  • size (Dict[str, int]可选,默认为 self.size) — 调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。
  • resample (PILImageResampling 过滤器,可选,默认为 self.resample) — 如果调整图像大小,则使用 PILImageResampling 过滤器,例如 PILImageResampling.BILINEAR。仅当 do_resize 设置为 True 时才有效。
  • do_center_crop (bool可选,默认为 self.do_center_crop) — 是否中心裁剪图像。
  • crop_size (Dict[str, int]可选,默认为 self.crop_size) — 中心裁剪的大小。仅当 do_center_crop 设置为 True 时才有效。
  • do_rescale (bool可选,默认为 self.do_rescale) — 是否将图像值重新缩放至 [0 - 1] 之间。
  • rescale_factor (float可选,默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于重新缩放图像的重新缩放因子。
  • do_normalize (bool可选,默认为 self.do_normalize) — 是否标准化图像。
  • image_mean (floatList[float]可选,默认为 self.image_mean) — 如果 do_normalize 设置为 True,则使用的图像均值。
  • image_std (floatList[float]可选,默认为 self.image_std) — 如果 do_normalize 设置为 True,则使用的图像标准差。
  • return_tensors (strTensorType可选) — 要返回的张量类型。可以是以下之一:
    • 未设置:返回 np.ndarray 列表。
    • TensorType.TENSORFLOW'tf':返回类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH'pt':返回类型为 torch.Tensor 的批次。
    • TensorType.NUMPY'np':返回类型为 np.ndarray 的批次。
    • TensorType.JAX'jax':返回类型为 jax.numpy.ndarray 的批次。
  • input_data_format (ChannelDimensionstr, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

预处理图像或图像批次。

post_process_semantic_segmentation

< >

( outputs target_sizes: List = None ) 语义分割

参数

  • outputs (MobileNetV2ForSemanticSegmentation) — 模型的原始输出。
  • target_sizes (长度为 batch_sizeList[Tuple], 可选) — 与每个预测所需的最终大小 (height, width) 对应的元组列表。如果未设置,则不会调整预测大小。

返回

semantic_segmentation

长度为 batch_sizeList[torch.Tensor],其中每个项目都是形状为 (height, width) 的语义分割图,对应于 target_sizes 条目(如果指定了 target_sizes)。每个 torch.Tensor 的每个条目对应于一个语义类别 ID。

MobileNetV2ForSemanticSegmentation 的输出转换为语义分割图。仅支持 PyTorch。

MobileNetV2Model

transformers.MobileNetV2Model

< >

( config: MobileNetV2Config add_pooling_layer: bool = True )

参数

  • config (MobileNetV2Config) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

不带任何特定头的基础 MobileNetV2 模型,输出原始隐藏状态。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。

前向传播

< >

( pixel_values: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (形状为 (batch_size, num_channels, height, width)torch.FloatTensor) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 MobileNetV2ImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或一个 torch.FloatTensor 的元组(如果传递了return_dict=False 或当config.return_dict=False时),包含取决于配置(MobileNetV2Config)和输入的各种元素。

  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 模型最后一层的输出处的隐藏状态序列。

  • pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size)) — 在对空间维度进行池化操作后最后一层的隐藏状态。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True 或当config.output_hidden_states=True时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每一层的输出)形状为(batch_size, num_channels, height, width)

    模型在每一层输出处的隐藏状态加上可选的初始嵌入输出。

MobileNetV2Model 的前向方法覆盖了__call__特殊方法。

尽管前向传递的流程需要在此函数中定义,但之后应该调用Module实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, MobileNetV2Model
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.0_224")
>>> model = MobileNetV2Model.from_pretrained("google/mobilenet_v2_1.0_224")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 1280, 7, 7]

MobileNetV2ForImageClassification

transformers.MobileNetV2ForImageClassification

< >

( config: MobileNetV2Config )

参数

  • config (MobileNetV2Config) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。

在顶部具有图像分类头的 MobileNetV2 模型(在池化特征之上添加一个线性层),例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

前向传播

< >

( pixel_values: Optional = None output_hidden_states: Optional = None labels: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 MobileNetV2ImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor 形状为 (batch_size,), 可选) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1,则计算回归损失(均方误差损失)。如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回

transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含取决于配置 (MobileNetV2Config) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选,在提供 labels 时返回) — 分类(或如果 config.num_labels==1 则为回归)损失。
  • logits (torch.FloatTensor 形状为 (batch_size, config.num_labels)) — 分类(或如果 config.num_labels==1 则为回归)分数(在 SoftMax 之前)。
  • hidden_states (tuple(torch.FloatTensor), 可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个阶段的输出)形状为 (batch_size, num_channels, height, width)。模型在每个阶段输出处的隐藏状态(也称为特征图)。

MobileNetV2ForImageClassification 的前向方法,覆盖了 __call__ 特殊方法。

尽管前向传递的流程需要在此函数中定义,但之后应该调用Module实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, MobileNetV2ForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.0_224")
>>> model = MobileNetV2ForImageClassification.from_pretrained("google/mobilenet_v2_1.0_224")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat

MobileNetV2ForSemanticSegmentation

class transformers.MobileNetV2ForSemanticSegmentation

< >

( config: MobileNetV2Config )

参数

  • config (MobileNetV2Config) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

带有语义分割头的 MobileNetV2 模型,例如用于 Pascal VOC。

此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

前向传播

< >

( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.SemanticSegmenterOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 MobileNetV2ImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的 hidden_states
  • <
  • labels (torch.LongTensor 形状为 (batch_size, height, width)可选) — 用于计算损失的地面真实语义分割图。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回

transformers.modeling_outputs.SemanticSegmenterOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SemanticSegmenterOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (MobileNetV2Config) 和输入而变化的各种元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选,在提供 labels 时返回) — 分类(或如果 config.num_labels==1 则为回归)损失。

  • logits (torch.FloatTensor 形状为 (batch_size, config.num_labels, logits_height, logits_width)) — 每个像素的分类得分。

    返回的 logits 的大小不一定与作为输入传递的 pixel_values 相同。这是为了避免进行两次插值并失去一些质量,因为用户需要将 logits 调整为原始图像大小作为后处理。您应该始终检查您的 logits 形状并根据需要调整大小。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出)形状为 (batch_size, patch_size, hidden_size)

    模型在每一层输出处的隐藏状态加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个)形状为 (batch_size, num_heads, patch_size, sequence_length)

    注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。

MobileNetV2ForSemanticSegmentation 的前向方法覆盖了 __call__ 特殊方法。

尽管前向传递的流程需要在此函数中定义,但之后应该调用Module实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, MobileNetV2ForSemanticSegmentation
>>> from PIL import Image
>>> import requests

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("google/deeplabv3_mobilenet_v2_1.0_513")
>>> model = MobileNetV2ForSemanticSegmentation.from_pretrained("google/deeplabv3_mobilenet_v2_1.0_513")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> # logits are of shape (batch_size, num_labels, height, width)
>>> logits = outputs.logits
< > 在 GitHub 上更新