此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • GhostFaceNetHead
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

ghostfacenet_head

最后更新
Python API: luxonis_train.nodes.heads.ghostfacenet_headGhostFaceNet 的嵌入头。

类

GhostFaceNetHead

GhostFaceNet 嵌入头。
  • 输入::
    • inputs (Tensor): [B, C, ⌈H ⁄ 32⌉, ⌈W ⁄ 32⌉]
  • 输出::
    • embeddings (Tensor): [B, D],其中 D 是 embedding_size
  • 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
    • 所需标签:metadata/id
    • 由以下使用:EmbeddingsModel
    • 损失:
      • AngularLoss
      • CircleLoss
      • ContrastiveLoss
      • DynamicSoftMarginLoss
      • FastAPLoss
      • GeneralizedLiftedStructureLoss
      • HistogramLoss
      • InstanceLoss
      • IntraPairVarianceLoss
      • LiftedStructureLoss
      • MarginLoss
      • MultiSimilarityLoss
      • NCALoss
      • NPairsLoss
      • NTXentLoss
      • PNPLoss
      • RankedListLoss
      • SignalToNoiseRatioContrastiveLoss
      • SupConLoss
      • ThresholdConsistentMarginLoss
      • TripletMarginLoss
      • TupletMarginLoss
    • 指标:
    • 可视化工具:EmbeddingsVisualizer

方法

init
Python
1def __init__(embedding_size: int = 512, cross_batch_memory_size: int | None = None, dropout: float = 0.2, **kwargs):
构建头部的层。构造函数将 embedding_size 和 cross_batch_memory_size 存储在同名属性中。嵌入损失从节点读取这两个属性。嵌入指标仅读取 cross_batch_memory_size。深度可分离卷积的核是 ⌈H ⁄ 32⌉×⌈W ⁄ 32⌉,其中 H 和 W 来自 original_in_shape。参数
  • embedding_size (int): 每个嵌入中的值数量。它是 1x1 卷积的输出通道数。
  • cross_batch_memory_size (int | None): 嵌入损失和指标在批次之间保留在内存中的最新嵌入的最大数量。None 关闭此内存。不支持 CrossBatchMemory 的损失会记录警告并忽略该值。头部本身不读取该值。
  • dropout (float): dropout 层在训练模式下将值设置为零的概率,范围为 [0, 1]。
  • **kwargs: BaseNode 的关键字参数。它们必须包含 original_in_shape,以及 input_shapes 或 in_sizes。
forward
Python
1def forward(x: Tensor) -> Tensor:
计算一批特征图的嵌入。参数
  • x (Tensor): 主干网络的最后一个特征图,形状为 [B, C, ceil(H / 32), ceil(W / 32)]。H 和 W 来自 original_in_shape。
返回
  • Tensor: 形状为 [B, embedding_size] 的嵌入。BaseNode.run 将它们放在 "embeddings" 键下。
initialize_weights
Python
1def initialize_weights(method: str | None = None):
初始化卷积层和 2D 批量归一化层。该方法首先使用 method 调用 BaseNode.initialize_weights。然后,它从均值为 0 且标准差为以下值的正态分布中抽取每个 torch.nn.Conv2d 和 torch.nn.Linear 的权重:σ = √((2)/(nin(1 + a2)))nin 是层的扇入,a 是 0.25。这是斜率为 0.25 的 leaky ReLU 的 Kaiming 正态初始化。偏置不变。每个 torch.nn.BatchNorm2d 随后获得 momentum=0.9 和 eps=1e-5。1D 批量归一化保持其默认值。PyTorch 将 momentum 用作新批次在运行统计中的权重。使用 0.9,这些统计数据因此密切跟踪最近的批次。参数
  • method (str | None): BaseNode.initialize_weights 的方法。该值对此头部没有影响。头部没有 "yolo" 更改的激活,并且该方法替换了 "yolo" 的批量归一化值。

属性

cross_batch_memory_size
embedding_size
in_channels
附加输入的通道数。它是 in_sizes 从末尾数起的第三个维度,因此带或不带批次维度的形状给出相同的值。大小列表给出通道数列表。引发
  • RuntimeError: 当 in_sizes 找不到输入大小时。
  • ValueError: 当 attach_index 不适合大小时。
in_width
附加输入的宽度。它是 in_sizes 的最后一个维度。大小列表给出宽度列表。引发
  • RuntimeError: 当 in_sizes 找不到输入大小时。
  • ValueError: 当 attach_index 不适合大小时。