计算机视觉深度学习人工智能图像处理【免费下载链接】kornia 空间人工智能的几何计算机视觉库项目地址https://gitcode.com/kornia/kornia点击查看免费下载本指南以 changelog 片段 changelog.d/migration-005.breaking.md 记录的一次破坏性变更Breaking Change对应 PR #4301为主线完整讲解 Kornia 中SegmentationModelsBuilder.build()的新旧两代 API、SemanticSegmentation容器的可实例化改造以及input_range: [0, 255]预处理步骤从Normalize除法改为Rescale(255.0)乘法的底层数值原因。读者读完将掌握如何在不再引入segmentation_models_pytorchsmp的情况下用 Kornia 包装任意分割网络、如何获取并传入编码器预处理参数、为什么乘法替换除法能修复 bfloat16 下的精度偏差以及 ONNX 导出时的注意事项。一、变更总览一次解耦外部依赖的破坏性重构该 fragment 属于breaking类型意味着 API 不兼容。其核心变化可以归纳为四条SegmentationModelsBuilder.build()不再负责构建网络旧版本需要传入model_name、encoder_name、encoder_weights、in_channels、classes、activation和**kwargs由 Kornia 惰性导入 smp、实例化对应架构并自行查询编码器预处理参数新版本改为接收一个已构建好的nn.Module和编码器预处理参数字典签名变为build(model, preproc_paramsNone, namesegmentation_model)。preproc_params的来源明确化它正是smp.encoders.get_preprocessing_params(encoder_name)的返回值网络构建与参数获取全部由调用方完成。Kornia 全仓库不再 import smpkornia.core.external.segmentation_models_pytorch模块被移除。SemanticSegmentation不再是抽象类它获得了与其他兄弟容器一致的__init__(model, pre_processor, post_processor, nameNone)构造方法builder 返回的容器因此可以被直接实例化。预处理数值细节修正input_range: [0, 255]的缩放步骤从用存储的1/255做Normalize除法改为kornia.enhance.Rescale(255.0)的乘以 255 乘法修复 bfloat16 下的精度问题。二、新旧 API 对比与迁移路径2.1 旧 APIbuilder 内部完成“导入 构建 查参”三步在重构之前SegmentationModelsBuilder.build()是一个典型的“便利工厂”调用方只需描述自己想要什么模型builder 负责其余一切包括在运行时惰性导入 smp。这也是它存在的主要问题——Kornia 的kornia.core.external中曾长期维护segmentation_models_pytorch这样一个第三方库的惰性包装任何 smp 的 API 变动、安装失败或版本兼容问题都可能传导到 Kornia 自身。旧调用方式大致形如from kornia.models.segmentation import SegmentationModelsBuilder model SegmentationModelsBuilder.build( model_nameUnet, encoder_nameresnet34, encoder_weightsimagenet, in_channels3, classes2, activationsoftmax2d, )builder 会据此拼接出 smp 构造参数惰性导入 smp 模块实例化架构再自行调用编码器的预处理参数查询逻辑。2.2 新 API职责反转调用方自备网络与参数新签名见 kornia/models/segmentation/segmentation_models.py 中的SegmentationModelsBuilder.buildstaticmethod def build( model: nn.Module, preproc_params: Optional[dict[str, Any]] None, name: str segmentation_model, ) - SemanticSegmentation:三个参数的含义如下参数类型说明modelnn.Module已构建好的分割网络将(B, 3, H, W)图像批映射为(B, C, H, W)预测builder 会将其置为eval模式preproc_paramsdict或None编码器预处理参数字典即smp.encoders.get_preprocessing_params(encoder_name)的返回值None表示不做任何预处理等价于nn.Identitynamestr包装后的模型名称SemanticSegmentation.save()会用它生成文件名默认segmentation_model标准的迁移后调用方式同时见 segmentation_models.py 中的 doctestimport segmentation_models_pytorch as smp from kornia.models.segmentation import SegmentationModelsBuilder net smp.Unet( encoder_nameresnet34, encoder_weightsimagenet, classes2, activationsoftmax2d, ) params smp.encoders.get_preprocessing_params(resnet34) model SegmentationModelsBuilder.build(net, params, nameUnet_resnet34) model(torch.rand(1, 3, 64, 64)).shape # torch.Size([1, 2, 64, 64])2.3 何时可以传入任意网络从源码结构看SegmentationModelsBuilder对model的唯一硬性要求是它是一个把(B, 3, H, W)输入映射为(B, C, H, W)预测的nn.Module。因此它不限于 smp 网络——任何满足该形状约定的 PyTorch 模块都可以被包装。这一点在 tests/models/test_segmentation_models.py 中有直接验证测试用nn.Sequential(nn.Conv2d(3, classes, kernel_size1), nn.Softmax(dim1))作为 smp 模型的替身_stand_in_network并断言 builder 返回的对象是SemanticSegmentation、model.model is net、网络处于非训练模式。测试test_none_params_is_identity_preprocessing还验证了preproc_paramsNone时pre_processor就是nn.Identity输入原样送入网络。三、preproc_params 的字段契约与预处理管线构建3.1 四个必需字段get_preprocessing_pipeline见 segmentation_models.py要求字典必须包含以下四个键_PREPROC_KEYS (input_space, input_range, mean, std)缺失任何一个都会触发KORNIA_CHECK抛出异常错误信息为preproc_params is missing the key key键允许取值语义input_spaceRGB或BGR网络训练时使用的颜色通道顺序BGR网络需要先把 RGB 输入翻转通道input_range[0, 1]或[0, 255]mean/std所基于的像素取值范围[0, 255]表示先把[0, 1]输入乘以 255mean每通道列表或None归一化均值None表示不做均值归一化std每通道列表或None归一化标准差None表示不做标准差归一化一个典型的 ImageNet 预训练参数与测试文件中的IMAGENET_PARAMS完全一致IMAGENET_PARAMS { input_space: RGB, input_range: [0, 1], mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }3.2 管线构建顺序颜色 → 缩放 → 归一化get_preprocessing_pipeline按以下顺序组装一个kornia.augmentation.container.ImageSequential颜色空间转换input_space BGR时插入kornia.color.BgrToRgb()RGB则跳过其他值抛出ValueError(Unsupported input space: ...)。范围缩放input_range[1] 255时插入kornia.enhance.Rescale(255.0) 1则跳过其他值抛出ValueError。均值方差归一化mean/std非None时转为张量后插入kornia.enhance.Normalize(meanmean, stdstd)为None时分别用0.0和1.0兜底保证归一化步骤恒等。测试test_preprocessing_bgr_255用 float64 手工计算的参考结果(x.flip(1) * 255.0 - mean_t) / std_t与管线输出对比验证了“先翻转通道、再乘 255、最后逐通道归一化”的精确语义test_exception_unsupported_input_space与test_exception_unsupported_input_range则覆盖了非法值的报错路径。四、核心精度修复为什么用 Rescale(255.0) 乘法替代 Normalize(1/255) 除法4.1 问题的根源bfloat16 下的倒数舍入旧实现把1/255作为缩放系数存进Normalize等价于让每个像素乘以一个预存的1/255。问题出在这个系数本身无法在所有浮点格式中被精确表示bfloat16 只能表示 8 位有效数字1/255被舍入为约0.0039368把它当作“乘 255”的等价操作时实际等效乘数变成了约254.0结果就是0.5被映射到127.0而不是精确的127.5——对半精度推理这是一个系统性的、肉眼可见的偏移。4.2 新实现乘以 255一个任何 dtype 都能精确表示的数新实现改为kornia.enhance.Rescale(255.0)直接做乘法。255是整数在 float32、float16、bfloat16 中都可以被精确存储因此乘 255 不会引入任何舍入误差。fragment 明确指出bfloat16 场景下0.5现在正确映射为127.5而 float32 输出在该步骤的移动至多 1 个 ulpunit in the last place最小精度单位——即误差上界可忽略。Rescale的实现见 kornia/enhance/rescale.py它把因子以非持久 buffer形式注册register_buffer(factor, factor, persistentFalse)因此.to(device)会把因子一并迁移到目标设备forward就是一次input * self.factor。非持久设计意味着因子不会进入state_dict()不破坏既有 checkpoint 的加载。fragment 还特别提到Rescale把因子保存为 0 维张量因此可以从任意设备导出 ONNX。测试test_preprocessing_255_rescale_is_exact用torch.equal做严格相等断言验证了这一点输入[0.0, 0.5, 1.0]在 float16 与 bfloat16 下经过管线后逐位等于[0.0, 127.5, 255.0]。如果是除法实现bfloat16 下0.5 → 127.0该测试必然失败——这正是本次改动要修复的回归。五、SemanticSegmentation 容器从抽象类到可实例化5.1 新构造签名base.py 中的SemanticSegmentation现在拥有与 Kornia 其他模型容器一致的构造方法def __init__( self, model: nn.Module, pre_processor: nn.Module, post_processor: nn.Module, name: Optional[str] None, ) - None:model分割网络(B, 3, H, W) → (B, C, H, W)__init__中立即执行self.model model.eval()。pre_processor/post_processor前后处理模块builder 默认用get_preprocessing_pipeline生成的ImageSequential作为前处理、nn.Identity()作为后处理。name可选覆盖默认的segmentation供save()生成文件名。forward同时支持(B, 3, H, W)张量批和[(3, H, W), ...]图像列表两种输入列表路径会逐图执行“预处理 → 网络 → 后处理”。测试test_list_input验证了两种路径输出一致。5.2 抽象占位符的保留from_config()仍然存在但实现为raise NotImplementedError提示用户改用SegmentationModelsBuilder.build()或直接实例化SemanticSegmentation。测试test_from_config_not_implemented专门锁定了这一行为确保未来不会有人误以为该抽象入口可用。5.3 可视化与保存辅助容器还提供开箱即用的可视化能力visualize(images, semantic_masksNone, output_typetorch, colormaprandom, manual_seed2147)把概率图转成彩色分割图。注意它对 softmax 输出有硬性要求——visualize_output会先探测语义掩码的类别维求和是否接近 1容差按 dtype 的eps缩放以兼容半精度若不是概率分布如裸 logits则抛出ValueError。因此用 smp 时需设置activationsoftmax2d让网络带 softmax 头测试test_visualize_rejects_logits验证了裸 logits 被拒绝。save(...)输出原图_src、彩色掩码_mask和加权叠加图_overlay通过kornia.enhance.add_weighted以 0.5/0.5 权重融合三组结果。六、ONNX 导出注意事项fragment 及源码文档都强调了 ONNX 友好性这也是本次重构的设计目标之一管线本身是 ONNX 友好的get_preprocessing_pipeline返回的ImageSequential中只有BgrToRgb、Rescale、Normalize三个可导出的张量算子没有任何 Python 控制流。测试test_preprocessing_onnx_export用torch.onnx.export(..., dynamoTrue, opset_version18)导出管线并在 onnxruntime 中推理与 eager 模式结果在rtol1e-5, atol1e-5内一致。导出前必须关闭便捷特性源码 Note 明确指出导出前应设置pipeline.disable_features True。这是因为ImageSequential.__call__默认的输入/输出便捷转换与输出缓存会在张量上附加属性而某些版本的torch.export会拒绝这类张量属性变更测试注释提到 PyTorch 2.9 即如此。pipeline SegmentationModelsBuilder.get_preprocessing_pipeline(params).to(device).eval() pipeline.disable_features True torch.onnx.export(pipeline, (x,), dynamoTrue, opset_version18)七、迁移检查清单如果你正在升级 Kornia 并使用了分割模型集成功能按以下步骤核对将build(model_name..., encoder_name..., ...)改为先自行构造smp.Unet(...)等网络再调用build(net, smp.encoders.get_preprocessing_params(encoder_name), name...)若需要可视化输出确认网络带了 softmax 头smp 的activationsoftmax2d检查代码中是否引用了kornia.core.external.segmentation_models_pytorch——该模块已移除直接删除相关引用若对 bfloat16 推理敏感如半精度部署验证input_range[0, 255]的模型输出新管线应为逐位精确的乘 255 结果ONNX 导出时设置pipeline.disable_features True。八、相关源码与测试索引变更记录changelog 片段 changelog.d/migration-005.breaking.mdPR #4301变更收集流程见 changelog.d/README.mdBuilder 与预处理管线实现kornia/models/segmentation/segmentation_models.py容器类实现kornia/models/segmentation/base.py新的缩放算子kornia/enhance/rescale.py测试覆盖tests/models/test_segmentation_models.py覆盖 API 迁移、四字段校验、BGR/255 精确数学、ONNX 导出、可视化拒绝 logits 等全部行为赞分享计算机视觉深度学习人工智能图像处理【免费下载链接】kornia 空间人工智能的几何计算机视觉库项目地址https://gitcode.com/kornia/kornia点击查看免费下载相关推荐Kornia SegmentationModelsBuilder 迁移指南解耦 segmentation_models_pytorch 依赖与 Rescale 精度修复Kornia SegmentationModelsBuilder 迁移指南解耦 segmentation_models_pytorch 依赖与 Rescale计算机视觉人工智能深度学习图像处理Kornia 可选依赖 extras 体系解析kornia[onnx]、kornia[sd] 与懒加载依赖管理Kornia 可选依赖 extras 体系解析kornia onnx 、kornia sd 与懒加载依赖管理 导读 本文围绕 Kornia 的可选依赖opt计算机视觉人工智能深度学习图像处理Czkawka终极指南免费快速清理重复文件释放硬盘空间Czkawka终极指南免费快速清理重复文件释放硬盘空间 还在为电脑里堆积的重复文件烦恼吗Czkawka是一款功能强大的跨平台文件清理工具能够快速找出并清桌面应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Kornia 语义分割模型集成重构解析：SegmentationModelsBuilder 去 smp 依赖与新预处理管线（PR 4301）
计算机视觉深度学习人工智能图像处理【免费下载链接】kornia 空间人工智能的几何计算机视觉库项目地址https://gitcode.com/kornia/kornia点击查看免费下载本指南以 changelog 片段 changelog.d/migration-005.breaking.md 记录的一次破坏性变更Breaking Change对应 PR #4301为主线完整讲解 Kornia 中SegmentationModelsBuilder.build()的新旧两代 API、SemanticSegmentation容器的可实例化改造以及input_range: [0, 255]预处理步骤从Normalize除法改为Rescale(255.0)乘法的底层数值原因。读者读完将掌握如何在不再引入segmentation_models_pytorchsmp的情况下用 Kornia 包装任意分割网络、如何获取并传入编码器预处理参数、为什么乘法替换除法能修复 bfloat16 下的精度偏差以及 ONNX 导出时的注意事项。一、变更总览一次解耦外部依赖的破坏性重构该 fragment 属于breaking类型意味着 API 不兼容。其核心变化可以归纳为四条SegmentationModelsBuilder.build()不再负责构建网络旧版本需要传入model_name、encoder_name、encoder_weights、in_channels、classes、activation和**kwargs由 Kornia 惰性导入 smp、实例化对应架构并自行查询编码器预处理参数新版本改为接收一个已构建好的nn.Module和编码器预处理参数字典签名变为build(model, preproc_paramsNone, namesegmentation_model)。preproc_params的来源明确化它正是smp.encoders.get_preprocessing_params(encoder_name)的返回值网络构建与参数获取全部由调用方完成。Kornia 全仓库不再 import smpkornia.core.external.segmentation_models_pytorch模块被移除。SemanticSegmentation不再是抽象类它获得了与其他兄弟容器一致的__init__(model, pre_processor, post_processor, nameNone)构造方法builder 返回的容器因此可以被直接实例化。预处理数值细节修正input_range: [0, 255]的缩放步骤从用存储的1/255做Normalize除法改为kornia.enhance.Rescale(255.0)的乘以 255 乘法修复 bfloat16 下的精度问题。二、新旧 API 对比与迁移路径2.1 旧 APIbuilder 内部完成“导入 构建 查参”三步在重构之前SegmentationModelsBuilder.build()是一个典型的“便利工厂”调用方只需描述自己想要什么模型builder 负责其余一切包括在运行时惰性导入 smp。这也是它存在的主要问题——Kornia 的kornia.core.external中曾长期维护segmentation_models_pytorch这样一个第三方库的惰性包装任何 smp 的 API 变动、安装失败或版本兼容问题都可能传导到 Kornia 自身。旧调用方式大致形如from kornia.models.segmentation import SegmentationModelsBuilder model SegmentationModelsBuilder.build( model_nameUnet, encoder_nameresnet34, encoder_weightsimagenet, in_channels3, classes2, activationsoftmax2d, )builder 会据此拼接出 smp 构造参数惰性导入 smp 模块实例化架构再自行调用编码器的预处理参数查询逻辑。2.2 新 API职责反转调用方自备网络与参数新签名见 kornia/models/segmentation/segmentation_models.py 中的SegmentationModelsBuilder.buildstaticmethod def build( model: nn.Module, preproc_params: Optional[dict[str, Any]] None, name: str segmentation_model, ) - SemanticSegmentation:三个参数的含义如下参数类型说明modelnn.Module已构建好的分割网络将(B, 3, H, W)图像批映射为(B, C, H, W)预测builder 会将其置为eval模式preproc_paramsdict或None编码器预处理参数字典即smp.encoders.get_preprocessing_params(encoder_name)的返回值None表示不做任何预处理等价于nn.Identitynamestr包装后的模型名称SemanticSegmentation.save()会用它生成文件名默认segmentation_model标准的迁移后调用方式同时见 segmentation_models.py 中的 doctestimport segmentation_models_pytorch as smp from kornia.models.segmentation import SegmentationModelsBuilder net smp.Unet( encoder_nameresnet34, encoder_weightsimagenet, classes2, activationsoftmax2d, ) params smp.encoders.get_preprocessing_params(resnet34) model SegmentationModelsBuilder.build(net, params, nameUnet_resnet34) model(torch.rand(1, 3, 64, 64)).shape # torch.Size([1, 2, 64, 64])2.3 何时可以传入任意网络从源码结构看SegmentationModelsBuilder对model的唯一硬性要求是它是一个把(B, 3, H, W)输入映射为(B, C, H, W)预测的nn.Module。因此它不限于 smp 网络——任何满足该形状约定的 PyTorch 模块都可以被包装。这一点在 tests/models/test_segmentation_models.py 中有直接验证测试用nn.Sequential(nn.Conv2d(3, classes, kernel_size1), nn.Softmax(dim1))作为 smp 模型的替身_stand_in_network并断言 builder 返回的对象是SemanticSegmentation、model.model is net、网络处于非训练模式。测试test_none_params_is_identity_preprocessing还验证了preproc_paramsNone时pre_processor就是nn.Identity输入原样送入网络。三、preproc_params 的字段契约与预处理管线构建3.1 四个必需字段get_preprocessing_pipeline见 segmentation_models.py要求字典必须包含以下四个键_PREPROC_KEYS (input_space, input_range, mean, std)缺失任何一个都会触发KORNIA_CHECK抛出异常错误信息为preproc_params is missing the key key键允许取值语义input_spaceRGB或BGR网络训练时使用的颜色通道顺序BGR网络需要先把 RGB 输入翻转通道input_range[0, 1]或[0, 255]mean/std所基于的像素取值范围[0, 255]表示先把[0, 1]输入乘以 255mean每通道列表或None归一化均值None表示不做均值归一化std每通道列表或None归一化标准差None表示不做标准差归一化一个典型的 ImageNet 预训练参数与测试文件中的IMAGENET_PARAMS完全一致IMAGENET_PARAMS { input_space: RGB, input_range: [0, 1], mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], }3.2 管线构建顺序颜色 → 缩放 → 归一化get_preprocessing_pipeline按以下顺序组装一个kornia.augmentation.container.ImageSequential颜色空间转换input_space BGR时插入kornia.color.BgrToRgb()RGB则跳过其他值抛出ValueError(Unsupported input space: ...)。范围缩放input_range[1] 255时插入kornia.enhance.Rescale(255.0) 1则跳过其他值抛出ValueError。均值方差归一化mean/std非None时转为张量后插入kornia.enhance.Normalize(meanmean, stdstd)为None时分别用0.0和1.0兜底保证归一化步骤恒等。测试test_preprocessing_bgr_255用 float64 手工计算的参考结果(x.flip(1) * 255.0 - mean_t) / std_t与管线输出对比验证了“先翻转通道、再乘 255、最后逐通道归一化”的精确语义test_exception_unsupported_input_space与test_exception_unsupported_input_range则覆盖了非法值的报错路径。四、核心精度修复为什么用 Rescale(255.0) 乘法替代 Normalize(1/255) 除法4.1 问题的根源bfloat16 下的倒数舍入旧实现把1/255作为缩放系数存进Normalize等价于让每个像素乘以一个预存的1/255。问题出在这个系数本身无法在所有浮点格式中被精确表示bfloat16 只能表示 8 位有效数字1/255被舍入为约0.0039368把它当作“乘 255”的等价操作时实际等效乘数变成了约254.0结果就是0.5被映射到127.0而不是精确的127.5——对半精度推理这是一个系统性的、肉眼可见的偏移。4.2 新实现乘以 255一个任何 dtype 都能精确表示的数新实现改为kornia.enhance.Rescale(255.0)直接做乘法。255是整数在 float32、float16、bfloat16 中都可以被精确存储因此乘 255 不会引入任何舍入误差。fragment 明确指出bfloat16 场景下0.5现在正确映射为127.5而 float32 输出在该步骤的移动至多 1 个 ulpunit in the last place最小精度单位——即误差上界可忽略。Rescale的实现见 kornia/enhance/rescale.py它把因子以非持久 buffer形式注册register_buffer(factor, factor, persistentFalse)因此.to(device)会把因子一并迁移到目标设备forward就是一次input * self.factor。非持久设计意味着因子不会进入state_dict()不破坏既有 checkpoint 的加载。fragment 还特别提到Rescale把因子保存为 0 维张量因此可以从任意设备导出 ONNX。测试test_preprocessing_255_rescale_is_exact用torch.equal做严格相等断言验证了这一点输入[0.0, 0.5, 1.0]在 float16 与 bfloat16 下经过管线后逐位等于[0.0, 127.5, 255.0]。如果是除法实现bfloat16 下0.5 → 127.0该测试必然失败——这正是本次改动要修复的回归。五、SemanticSegmentation 容器从抽象类到可实例化5.1 新构造签名base.py 中的SemanticSegmentation现在拥有与 Kornia 其他模型容器一致的构造方法def __init__( self, model: nn.Module, pre_processor: nn.Module, post_processor: nn.Module, name: Optional[str] None, ) - None:model分割网络(B, 3, H, W) → (B, C, H, W)__init__中立即执行self.model model.eval()。pre_processor/post_processor前后处理模块builder 默认用get_preprocessing_pipeline生成的ImageSequential作为前处理、nn.Identity()作为后处理。name可选覆盖默认的segmentation供save()生成文件名。forward同时支持(B, 3, H, W)张量批和[(3, H, W), ...]图像列表两种输入列表路径会逐图执行“预处理 → 网络 → 后处理”。测试test_list_input验证了两种路径输出一致。5.2 抽象占位符的保留from_config()仍然存在但实现为raise NotImplementedError提示用户改用SegmentationModelsBuilder.build()或直接实例化SemanticSegmentation。测试test_from_config_not_implemented专门锁定了这一行为确保未来不会有人误以为该抽象入口可用。5.3 可视化与保存辅助容器还提供开箱即用的可视化能力visualize(images, semantic_masksNone, output_typetorch, colormaprandom, manual_seed2147)把概率图转成彩色分割图。注意它对 softmax 输出有硬性要求——visualize_output会先探测语义掩码的类别维求和是否接近 1容差按 dtype 的eps缩放以兼容半精度若不是概率分布如裸 logits则抛出ValueError。因此用 smp 时需设置activationsoftmax2d让网络带 softmax 头测试test_visualize_rejects_logits验证了裸 logits 被拒绝。save(...)输出原图_src、彩色掩码_mask和加权叠加图_overlay通过kornia.enhance.add_weighted以 0.5/0.5 权重融合三组结果。六、ONNX 导出注意事项fragment 及源码文档都强调了 ONNX 友好性这也是本次重构的设计目标之一管线本身是 ONNX 友好的get_preprocessing_pipeline返回的ImageSequential中只有BgrToRgb、Rescale、Normalize三个可导出的张量算子没有任何 Python 控制流。测试test_preprocessing_onnx_export用torch.onnx.export(..., dynamoTrue, opset_version18)导出管线并在 onnxruntime 中推理与 eager 模式结果在rtol1e-5, atol1e-5内一致。导出前必须关闭便捷特性源码 Note 明确指出导出前应设置pipeline.disable_features True。这是因为ImageSequential.__call__默认的输入/输出便捷转换与输出缓存会在张量上附加属性而某些版本的torch.export会拒绝这类张量属性变更测试注释提到 PyTorch 2.9 即如此。pipeline SegmentationModelsBuilder.get_preprocessing_pipeline(params).to(device).eval() pipeline.disable_features True torch.onnx.export(pipeline, (x,), dynamoTrue, opset_version18)七、迁移检查清单如果你正在升级 Kornia 并使用了分割模型集成功能按以下步骤核对将build(model_name..., encoder_name..., ...)改为先自行构造smp.Unet(...)等网络再调用build(net, smp.encoders.get_preprocessing_params(encoder_name), name...)若需要可视化输出确认网络带了 softmax 头smp 的activationsoftmax2d检查代码中是否引用了kornia.core.external.segmentation_models_pytorch——该模块已移除直接删除相关引用若对 bfloat16 推理敏感如半精度部署验证input_range[0, 255]的模型输出新管线应为逐位精确的乘 255 结果ONNX 导出时设置pipeline.disable_features True。八、相关源码与测试索引变更记录changelog 片段 changelog.d/migration-005.breaking.mdPR #4301变更收集流程见 changelog.d/README.mdBuilder 与预处理管线实现kornia/models/segmentation/segmentation_models.py容器类实现kornia/models/segmentation/base.py新的缩放算子kornia/enhance/rescale.py测试覆盖tests/models/test_segmentation_models.py覆盖 API 迁移、四字段校验、BGR/255 精确数学、ONNX 导出、可视化拒绝 logits 等全部行为赞分享计算机视觉深度学习人工智能图像处理【免费下载链接】kornia 空间人工智能的几何计算机视觉库项目地址https://gitcode.com/kornia/kornia点击查看免费下载相关推荐Kornia SegmentationModelsBuilder 迁移指南解耦 segmentation_models_pytorch 依赖与 Rescale 精度修复Kornia SegmentationModelsBuilder 迁移指南解耦 segmentation_models_pytorch 依赖与 Rescale计算机视觉人工智能深度学习图像处理Kornia 可选依赖 extras 体系解析kornia[onnx]、kornia[sd] 与懒加载依赖管理Kornia 可选依赖 extras 体系解析kornia onnx 、kornia sd 与懒加载依赖管理 导读 本文围绕 Kornia 的可选依赖opt计算机视觉人工智能深度学习图像处理Czkawka终极指南免费快速清理重复文件释放硬盘空间Czkawka终极指南免费快速清理重复文件释放硬盘空间 还在为电脑里堆积的重复文件烦恼吗Czkawka是一款功能强大的跨平台文件清理工具能够快速找出并清桌面应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考