此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • LinearBottleneck
  • ReXNetV1_lite
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包
最后更新
Python API: luxonis_train.nodes.backbones.rexnetv1ReXNet-lite 主干网络及其重复的线性瓶颈。

类

LinearBottleneck

ReXNet 的倒置残差块,带线性投影。当 t 不为 1 时,该块首先使用 1x1 卷积扩展通道。然后应用深度可分离卷积,并使用 1x1 卷积投影到 channels。扩展和深度可分离卷积以 ReLU6 结束。投影没有激活。每个卷积都有一个批归一化。当 stride 为 1 且 in_channels <= channels 时,该块将其输入添加到前 in_channels 个输出通道。其他输出通道没有快捷连接。

方法

init
Python
1def __init__(in_channels: int, channels: int, t: int, kernel_size: int = 3, stride: int = 1):
构建扩展、深度可分离和投影层。参数
  • in_channels (int): 输入通道数。
  • channels (int): 输出通道数。
  • t (int): 扩展因子。深度可分离卷积有 in_channels * t 个通道。对于 1,该块没有扩展卷积。
  • kernel_size (int): 深度可分离核的大小。填充为 kernel_size // 2。
  • stride (int): 深度可分离卷积的步幅。
forward
Python
1def forward(x: Tensor) -> Tensor:
应用层并添加部分快捷连接。参数
  • x (Tensor): 形状为 [B, in_channels, H, W] 的输入。
返回
  • Tensor: 形状为 [B, channels, H', W'] 的输出。深度可分离卷积的步幅设置 H' 和 W'。通过快捷连接,前 in_channels 个通道保存输入和投影的和。

属性

out
扩展、深度可分离和投影层。

ReXNetV1_lite

用于轻量级卷积特征的 Lite ReXNetV1 主干网络。ReXNet(Rank Expansion Networks)使其块的通道数随深度线性增长。lite 版本没有挤压-激励块,并且 ReLU6 是其唯一的激活函数。该节点是 18 个模块的堆栈:一个步幅为 2 的 3x3 茎,16 个 LinearBottleneck 块,分为六个阶段,以及一个 1x1 卷积。在默认参数下,此卷积有 1280 个通道。
  • 输入::
    • inputs (Tensor): [B, C, H, W]
  • 输出::
    • features (list[Tensor]): 每个 out_indices 一个;默认步幅为 2、8、16、32,通道数为 16、56、120、1280
  • 变体:: 无。通过 params 配置节点。
  • 兼容::
    • 附加索引:-1,输入节点的最后一个输出

方法

init
Python
1def __init__(fix_head_stem: bool = False, divisible_value: int = 8, input_ch: int = 16, final_ch: int = 164, multiplier: float = 1.0, kernel_sizes: int | list[int] = 3, out_indices: list[int] | None = None, **kwargs):
构建茎、16 个瓶颈和最终卷积。六个阶段分别有 1、2、2、3、3 和 5 个瓶颈。它们的第一批瓶颈按阶段顺序具有步幅 1、2、2、2、1 和 2。其他瓶颈具有步幅 1。第一阶段的瓶颈没有扩展。其他瓶颈将通道扩展 6 倍。瓶颈的输出通道以 15 个相等步长从 input_ch 增长到 input_ch + final_ch。multiplier 缩放这些计数。低于 1 的 multiplier 仅缩放增长,不缩放 input_ch。茎有 32 个通道。高于 1 的 multiplier 会给茎 32 * multiplier 个通道,给最终卷积 int(1280 * multiplier) 个通道,除非 fix_head_stem 为 True。构造函数将茎和瓶颈的通道数向上舍入为 divisible_value 的倍数。参数
  • fix_head_stem (bool): 是否将茎保持在 32 个通道,将最终卷积保持在 1280 个通道。它仅在 multiplier 大于 1 时改变网络。
  • divisible_value (int): 茎和瓶颈的通道数是其倍数的数字。
  • input_ch (int): 第一个瓶颈的输出通道,在 multiplier 之前。
  • final_ch (int): 从第一个到最后一个瓶颈的通道增长,在 multiplier 之前。它不是最后一个瓶颈的通道数。
  • multiplier (float): 通道数的比例。
  • kernel_sizes (int | list[int]): 深度可分离核的大小。列表为六个阶段中的每个阶段提供一个大小。
  • out_indices (list[int] | None): 其输出 forward 返回的模块的索引。0 是茎,1 到 16 是瓶颈,17 是最终卷积。None 或空列表选择 [1, 4, 10, 17]。
  • **kwargs: 转发给 BaseNode 的关键字参数。
引发
  • ValueError: 当 kernel_sizes 是一个不完全包含六个值的列表时。
forward
Python
1def forward(inputs: Tensor) -> list[Tensor]:
运行所有 18 个模块并收集选定的输出。参数
  • inputs (Tensor): 形状为 [B, 3, H, W] 的图像批次。
返回
  • list[Tensor]: 索引在 out_indices 中的模块的输出,按模块顺序排列。超出 0 到 17 的索引不选择任何内容。默认索引给出步幅 2、8、16 和 32,通道数为 16、56、120 和 1280。

属性

features