bisenet_head
最后更新
luxonis_train.nodes.heads.bisenet_headBiSeNet 分割头。类
BiSeNetHead
输入::inputs(Tensor): [B, C, H ⁄ s, W ⁄ s]
输出::segmentation(Tensor): [B, nclasses, H, W] logits
参考文献
- 来源:重新实现了 BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation。
- 许可证:Apache-2.0 (本项目)
注意事项
H 和 W 是模型输入的高度和宽度。比例 s 是一个 2 的幂,头部根据输入大小和模型输入大小计算得出。头部应用一个 3x3 luxonis_train.nodes.blocks.ConvBlock,带有批归一化和 ReLU,以及一个 1x1 卷积,输出通道数为 nclasses⋅s2。然后,一个因子为 s 的
torch.nn.PixelShuffle 给出 logits。forward 不检查模式,因此导出模式也给出 logits。变体:: 无。通过params配置节点。
另请参阅
示例
配置中
model.nodes 部分的节点条目:Yaml
1- name: BiSeNetHead
2 inputs: [ContextSpatial]兼容::- 附加索引:
-1,输入节点的最后一个输出 - 所需标签:
segmentation - 损失:
- 指标:
- 可视化工具:SegmentationVisualizer
- 导出解析器:
SegmentationParser
- 附加索引:
方法
init
Python
1def __init__(intermediate_channels: int = 64, **kwargs):ValueError。参数intermediate_channels(int): 3x3 卷积的输出通道数。**kwargs: BaseNode 的关键字参数。它们必须包含original_in_shape、input_shapes或in_sizes,以及通过n_classes或dataset_metadata提供的类计数。
forward
Python
1def forward(inputs: Tensor) -> Tensor:示例
Pycon
1>>> import torch
2>>> from torch import Size
3>>> from luxonis_train.nodes import BiSeNetHead
4>>> head = BiSeNetHead(
5... n_classes=3,
6... input_shapes=[{"features": [Size([1, 16, 8, 8])]}],
7... original_in_shape=Size([3, 32, 32]),
8... )
9>>> head(torch.zeros(1, 16, 8, 8)).shape
10torch.Size([1, 3, 32, 32])inputs(Tensor): 形状为[B, C, H / s, W / s]的特征图。
Tensor: 形状为[B, n_classes, H, W]的 logits。BaseNode.run 将它们放在"segmentation"键下。
get_custom_head_config
Python
1def get_custom_head_config(self) -> Params:"metadata" 字典中。基本实现返回一个空字典。返回Params: 附加的元数据键及其值。
属性
conv_1x1
conv_3x3
in_channels
RuntimeError: 当 in_sizes 找不到输入大小时。ValueError: 当 attach_index 不适合大小时。
in_height
RuntimeError: 当 in_sizes 找不到输入大小时。ValueError: 当 attach_index 不适合大小时。
in_width
RuntimeError: 当 in_sizes 找不到输入大小时。ValueError: 当 attach_index 不适合大小时。