MobileNet V2

概述

MobileNet 模型在 MobileNetV2: Inverted Residuals and Linear Bottlenecks 中被提出，作者是 Mark Sandler、Andrew Howard、Menglong Zhu、Andrey Zhmoginov、Liang-Chieh Chen。

以下是论文的摘要

在本文中，我们描述了一种新的移动架构 MobileNetV2，它提高了移动模型在多项任务和基准测试中的最先进性能，以及不同模型尺寸范围内的性能。我们还描述了将这些移动模型应用于对象检测的有效方法，在一个我们称之为 SSDLite 的新框架中。此外，我们还演示了如何通过简化形式的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。

MobileNetV2 架构基于倒残差结构，其中残差块的输入和输出是薄瓶颈层，这与传统的残差模型相反，后者在输入中使用扩展表示。MobileNetV2 使用轻量级深度可分离卷积来过滤中间扩展层中的特征。此外，我们发现去除窄层中的非线性对于保持表示能力非常重要。我们证明这提高了性能，并提供了一个导致这种设计的直觉。最后，我们的方法允许将输入/输出域与转换的表达性解耦，这为进一步分析提供了方便的框架。我们在 Imagenet 分类、COCO 对象检测、VOC 图像分割上衡量了我们的性能。我们评估了准确率与操作次数（以乘加运算 (MAdd) 衡量）以及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找到主模型，以及此处找到 DeepLabV3+。

使用技巧

检查点被命名为 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），而 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，该模型也适用于任何尺寸的图像。最小支持的图像尺寸为 32x32。
可以使用 MobileNetV2ImageProcessor 来为模型准备图像。
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 1,000 个类别的集合）上预训练的。但是，该模型预测 1001 个类别：来自 ImageNet 的 1000 个类别加上一个额外的 “背景” 类别（索引 0）。
分割模型使用 DeepLabV3+ 头部。可用的语义分割检查点是在 PASCAL VOC 上预训练的。
原始 TensorFlow 检查点使用的填充规则与 PyTorch 不同，需要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 tf_padding = False 的 MobileNetV2Config。

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，可以使用固定 7x7 窗口和步幅 1 的平均池化层来代替全局池化。对于大于建议图像尺寸的输入，这将产生大于 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” 操作来反量化权重。
通常的做法是从索引 10 和 13 的扩展层以及最终的 1x1 卷积层中提取输出，用于下游目的。使用 output_hidden_states=True 返回所有中间层的输出。目前无法将其限制为特定层。
DeepLabV3+ 分割头不使用来自骨干网络的最终卷积层，但无论如何都会计算该层。目前无法告知 MobileNetV2Model 它应该运行到哪一层。

资源

以下是官方 Hugging Face 和社区（🌎 表示）资源列表，可帮助您开始使用 MobileNetV2。

图像分类

MobileNetV2ForImageClassification 由此示例脚本和 notebook 支持。
另请参阅：图像分类任务指南

语义分割

语义分割任务指南

如果您有兴趣提交资源以包含在此处，请随时打开 Pull Request，我们将对其进行审核！该资源最好能展示一些新的东西，而不是重复现有资源。

MobileNetV2Config

class transformers.MobileNetV2Config

< 源代码 >

( 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) — 每张图像的大小（分辨率）。
depth_multiplier (float, 可选, 默认为 1.0) — 缩小或扩大每层中的通道数。默认为 1.0，这将以 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) — 每层中的通道数将始终是此数字的倍数。
min_depth (int, 可选, 默认为 8) — 所有层都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，模型将输入维度缩小 32 倍。如果 output_stride 为 8 或 16，则模型在深度卷积层上使用空洞卷积而不是常规卷积，以便特征图永远不会比输入图像小 8 倍或 16 倍以上。
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 true，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值 (1280)。
hidden_act (str 或 function, 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）。
tf_padding (bool, 可选, 默认为 True) — 是否在卷积层上使用 TensorFlow 填充规则。
classifier_dropout_prob (float, 可选, 默认为 0.8) — 连接的分类器的 dropout 比率。
initializer_range (float, 可选, 默认为 0.02) — 用于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 值。
semantic_loss_ignore_index (int, 可选, 默认为 255) — 语义分割模型的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，从而定义模型架构。使用默认值实例化配置将产生类似于 MobileNetV2 google/mobilenet_v2_1.0_224 架构的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 中的文档。

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

class transformers.MobileNetV2FeatureExtractor

< source >

( *args **kwargs )

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_resize: typing.Optional[bool] = None size: typing.Dict[str, int] = None resample: Resampling = None do_center_crop: bool = None crop_size: typing.Dict[str, int] = None do_rescale: typing.Optional[bool] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: typing.Union[str, transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )

参数

images (ImageInput) — 要预处理的图像。期望是单个或一批像素值范围为 0 到 255 的图像。如果传入像素值在 0 到 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宽高比。
resample (PILImageResampling 过滤器, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的 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到 [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) — 是否对图像进行归一化。
image_mean (float 或 List[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 (float 或 List[float], 可选, 默认值是 self.image_std) — 如果 do_normalize 设置为 True，则使用的图像标准差。
return_tensors (str 或 TensorType, 可选) — 返回的张量类型。可以是以下之一：
- Unset: 返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
- TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
- TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
- TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
data_format (ChannelDimension 或 str, 可选, 默认值是 ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
- Unset: 使用输入图像的通道维度格式。
input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
- "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

预处理单张或批量图像。

post_process_semantic_segmentation

< source >

( outputs target_sizes: typing.List[typing.Tuple] = None ) → semantic_segmentation

参数

outputs (MobileNetV2ForSemanticSegmentation) — 模型的原始输出。
target_sizes (长度为 batch_size 的 List[Tuple], 可选) — 与每个预测请求的最终尺寸（高度，宽度）相对应的元组列表。如果未设置，则不会调整预测大小。

返回值

semantic_segmentation

长度为 batch_size 的 List[torch.Tensor]，其中每个项目是形状为 (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。

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

MobileNetV2ImageProcessor

class transformers.MobileNetV2ImageProcessor

< source >

( do_resize: bool = True size: typing.Optional[typing.Dict[str, int]] = None resample: Resampling = <Resampling.BILINEAR: 2> do_center_crop: bool = True crop_size: typing.Dict[str, int] = None do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None **kwargs )

参数

do_resize (bool, 可选, 默认值是 True) — 是否将图像的（高度，宽度）尺寸调整为指定的 size。可以被 preprocess 方法中的 do_resize 覆盖。
size (Dict[str, int] 可选, 默认值是 {"shortest_edge" -- 256}): 调整大小后图像的尺寸。图像的最短边调整为 size[“shortest_edge”]，最长边调整为保持输入宽高比。可以被 preprocess 方法中的 size 覆盖。
resample (PILImageResampling, 可选, 默认值是 PILImageResampling.BILINEAR) — 如果调整图像大小，则使用的重采样滤波器。可以被 preprocess 方法中的 resample 参数覆盖。
do_center_crop (bool, 可选, 默认值是 True) — 是否对图像进行中心裁剪。如果输入尺寸沿任何边缘小于 crop_size，则图像将填充 0，然后进行中心裁剪。可以被 preprocess 方法中的 do_center_crop 参数覆盖。
crop_size (Dict[str, int], 可选, 默认值是 {"height" -- 224, "width": 224}): 应用中心裁剪时所需的输出尺寸。仅在 do_center_crop 设置为 True 时有效。可以被 preprocess 方法中的 crop_size 参数覆盖。
do_rescale (bool, 可选, 默认值是 True) — 是否按指定的比例因子 rescale_factor 重新缩放图像。可以被 preprocess 方法中的 do_rescale 参数覆盖。
rescale_factor (int 或 float, 可选, 默认值是 1/255) — 如果重新缩放图像，则使用的比例因子。可以被 preprocess 方法中的 rescale_factor 参数覆盖。
do_normalize — 是否标准化图像。可以被 preprocess 方法中的 do_normalize 参数覆盖。
image_mean (float 或 List[float], 可选, 默认值是 IMAGENET_STANDARD_MEAN) — 如果标准化图像，则使用的均值。这是一个浮点数或浮点数列表，其长度是图像中通道的数量。可以被 preprocess 方法中的 image_mean 参数覆盖。
image_std (float 或 List[float], 可选, 默认值是 IMAGENET_STANDARD_STD) — 如果标准化图像，则使用的标准差。这是一个浮点数或浮点数列表，其长度是图像中通道的数量。可以被 preprocess 方法中的 image_std 参数覆盖。

构建 MobileNetV2 图像处理器。

preprocess

< source >

参数

images (ImageInput) — 要预处理的图像。期望单张或批量图像，像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
do_resize (bool, 可选, 默认值是 self.do_resize) — 是否调整图像大小。
size (Dict[str, int], 可选, 默认值是 self.size) — 调整大小后图像的尺寸。图像的最短边调整为 size[“shortest_edge”]，最长边调整为保持输入宽高比。
resample (PILImageResampling 滤波器, 可选, 默认值是 self.resample) — 如果调整图像大小，则使用的 PILImageResampling 滤波器，例如 PILImageResampling.BILINEAR。仅在 do_resize 设置为 True 时有效。
do_center_crop (bool, 可选, 默认值是 self.do_center_crop) — 是否对图像进行中心裁剪。
crop_size (Dict[str, int], 可选, 默认值是 self.crop_size) — 中心裁剪的尺寸。仅在 do_center_crop 设置为 True 时有效。
do_rescale (bool, 可选, 默认值是 self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于缩放图像的缩放因子。
do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
image_mean (float 或 List[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 (float 或 List[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 (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
- Unset: 返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
- TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
- TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
- TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
data_format (ChannelDimension 或 str, 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" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
- Unset: 使用输入图像的通道维度格式。
input_data_format (ChannelDimension 或 str, 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" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
- "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

预处理单张或批量图像。

post_process_semantic_segmentation

< source >

( outputs target_sizes: typing.List[typing.Tuple] = None ) → semantic_segmentation

参数

outputs (MobileNetV2ForSemanticSegmentation) — 模型的原始输出。
target_sizes (长度为 batch_size 的 List[Tuple], 可选) — 与每个预测的请求最终尺寸（高度，宽度）相对应的元组列表。如果未设置，则不会调整预测大小。

返回值

semantic_segmentation

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

MobileNetV2Model

class transformers.MobileNetV2Model

< source >

( config: MobileNetV2Config add_pooling_layer: bool = True )

参数

config (MobileNetV2Config) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。

裸 MobileNetV2 模型，输出原始隐藏状态，顶部没有任何特定的 head。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。

forward

< source >

( pixel_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参见 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，请参见返回张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 torch.FloatTensor 元组 (如果传递 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (MobileNetV2Config) 和输入。

last_hidden_state (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 模型最后一层输出端的隐藏状态序列。
pooler_output (形状为 (batch_size, hidden_size) 的 torch.FloatTensor) — 在空间维度上进行池化操作后的最后一层隐藏状态。
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 元组（对于嵌入的输出，如果模型具有嵌入层，则为一个；对于每一层的输出，则为一个），形状为 (batch_size, num_channels, height, width)。

模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

MobileNetV2Model 的 forward 方法，覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。

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

class transformers.MobileNetV2ForImageClassification

< source >

( config: MobileNetV2Config )

参数

config (MobileNetV2Config) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。

MobileNetV2 模型，顶部带有图像分类 head（池化特征之上的线性层），例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。

forward

< source >

( pixel_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参见 MobileNetV2ImageProcessor.call()。
output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
labels (torch.LongTensor 的形状为 (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] 中。如果 config.num_labels == 1，则计算回归损失（均方损失）。如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。

返回值

transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (MobileNetV2Config) 和输入。

loss (torch.FloatTensor 的形状为 (1,)，可选，当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）损失。
logits (torch.FloatTensor 的形状为 (batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）得分（在 SoftMax 之前）。
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（如果模型具有嵌入层，则为嵌入输出一个，+ 每个阶段的输出一个），形状为 (batch_size, num_channels, height, width)。模型在每个阶段输出的隐藏状态（也称为特征图）。

MobileNetV2ForImageClassification forward 方法覆盖了 __call__ 特殊方法。

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

< source >

( 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 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。

forward

< source >

( pixel_values: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.SemanticSegmenterOutput 或 tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor 的形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参见 MobileNetV2ImageProcessor.call()。
output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
labels (torch.LongTensor 的形状为 (batch_size, height, width)，可选) — 用于计算损失的真值语义分割图。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。

返回值

transformers.modeling_outputs.SemanticSegmenterOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SemanticSegmenterOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (MobileNetV2Config) 和输入。

loss (torch.FloatTensor 的形状为 (1,)，可选，当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）损失。
logits (torch.FloatTensor 的形状为 (batch_size, config.num_labels, logits_height, logits_width)) — 每个像素的分类得分。

返回的 logits 不一定与作为输入传递的 pixel_values 具有相同的大小。这是为了避免进行两次插值，并在用户需要将 logits 调整为原始图像大小作为后处理时损失一些质量。您应始终检查 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（如果模型具有嵌入层，则为嵌入输出一个，+ 每个层的输出一个），形状为 (batch_size, patch_size, hidden_size)。

模型在每一层输出端的隐藏状态，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 forward 方法覆盖了 __call__ 特殊方法。

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

Transformers

MobileNet V2

概述

使用技巧

资源

MobileNetV2Config

class transformers.MobileNetV2Config

MobileNetV2FeatureExtractor

class transformers.MobileNetV2FeatureExtractor

preprocess

post_process_semantic_segmentation

MobileNetV2ImageProcessor

class transformers.MobileNetV2ImageProcessor

preprocess

post_process_semantic_segmentation

MobileNetV2Model

class transformers.MobileNetV2Model

forward

MobileNetV2ForImageClassification

class transformers.MobileNetV2ForImageClassification

forward

MobileNetV2ForSemanticSegmentation

class transformers.MobileNetV2ForSemanticSegmentation

forward