Backbone de modèle préentraîné

Il est temps de construire une architecture R-CNN ! Vous allez utiliser le backbone du modèle préentraîné vgg16 pour l’extraction de caractéristiques. Pensez aussi à stocker la forme de sortie du backbone, qui servira de forme d’entrée pour les blocs suivants : le classificateur et le régressseur de boîtes.

torch, torchvision, torch.nn sous le nom nn ont été importés. Le modèle a été importé sous le nom vgg16 avec les poids stockés dans VGG16_Weights.

Cet exercice fait partie du cours

Deep Learning pour l’image avec PyTorch

Afficher le cours

Instructions

Chargez les poids préentraînés de VGG16.
Extrayez in_features de la première couche du classifier en utilisant .children() comme bloc séquentiel et stockez-le dans input_dim.
Créez un backbone sous forme de bloc séquentiel en utilisant features et .children().
Affichez le modèle du backbone.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Load pretrained weights
vgg_model = vgg16(weights=____)

# Extract the input dimension
input_dim = nn.Sequential(*list(vgg_model.classifier.____()))[0].____

# Create a backbone with convolutional layers
backbone = nn.Sequential(*list(____))

# Print the backbone model
____

Modifier et exécuter le code