将 TorchVision 的 Transforms 扩展到目标检测、分割和视频任务

注意：此帖子曾于 2022 年 11 月发布了早期版本。鉴于即将于 2023 年 3 月随 PyTorch 2.0 共同发布的 torchvision 0.15 版本，我们已更新此帖子，提供最新信息。

该 API 与之前的版本完全向后兼容，并保持一致，以帮助迁移和采用。我们现在以 Beta 版本在 torchvision.transforms.v2 命名空间中发布此新 API，我们非常希望收到您的早期反馈，以改进其功能。如果您有任何问题或建议，请联系我们。

当前 Transforms 的限制

TorchVision 现有的 Transforms API（即 V1）仅支持单个图像。因此，它只能用于分类任务

from torchvision import transforms
trans = transforms.Compose([
   transforms.ColorJitter(contrast=0.5),
   transforms.RandomRotation(30),
   transforms.CenterCrop(480),
])
imgs = trans(imgs)

上述方法不支持目标检测和分割。此限制使得所有非分类计算机视觉任务成为“二等公民”，因为无法使用 Transforms API 执行必要的增强。从历史上看，这使得使用 TorchVision 的基本原语训练高精度模型变得困难，从而导致我们的模型库与 SoTA (State of the Art) 相差几个点。

为了规避这一限制，TorchVision 在其参考脚本中提供了自定义实现，展示了如何在每个任务中执行增强。尽管这种做法使我们能够训练出高精度的分类、目标检测和分割模型，但这种方法并不理想，导致无法从 TorchVision 二进制文件中导入这些 transforms。

新的 Transforms API

Transforms V2 API 支持视频、边界框和分割掩码，这意味着它为许多计算机视觉任务提供了原生支持。新解决方案是即插即用的替代方案。

import torchvision.transforms.v2 as transforms

# Exactly the same interface as V1:
trans = transforms.Compose([
    transforms.ColorJitter(contrast=0.5),
    transforms.RandomRotation(30),
    transforms.CenterCrop(480),
])
imgs, bboxes, labels = trans(imgs, bboxes, labels)

新的 Transform 类可以接收任意数量的输入，无需强制特定的顺序或结构

# Already supported:
trans(imgs)  # Image Classification
trans(videos)  # Video Tasks
trans(imgs, bboxes, labels)  # Object Detection
trans(imgs, bboxes, masks, labels)  # Instance Segmentation
trans(imgs, masks)  # Semantic Segmentation
trans({"image": imgs, "box": bboxes, "tag": labels})  # Arbitrary Structure

# Future support:
trans(imgs, bboxes, labels, keypoints)  # Keypoint Detection
trans(stereo_images, disparities, masks)  # Depth Perception
trans(image1, image2, optical_flows, masks)  # Optical Flow
trans(imgs_or_videos, labels)  # MixUp/CutMix-style Transforms

Transform 类确保对所有输入应用相同的随机 transforms，以确保结果一致。

函数式 API 已更新，以支持所有输入所需的信号处理内核（如调整大小、裁剪、仿射变换、填充等）

from torchvision.transforms.v2 import functional as F


# High-level dispatcher, accepts any supported input type, fully BC
F.resize(inpt, size=[224, 224])
# Image tensor kernel
F.resize_image_tensor(img_tensor, size=[224, 224], antialias=True) 
# PIL image kernel
F.resize_image_pil(img_pil, size=[224, 224], interpolation=BILINEAR)
# Video kernel
F.resize_video(video, size=[224, 224], antialias=True) 
# Mask kernel
F.resize_mask(mask, size=[224, 224])
# Bounding box kernel
F.resize_bounding_box(bbox, size=[224, 224], spatial_size=[256, 256])

在底层，该 API 使用 Tensor 子类化来包装输入，附加有用的元数据并分派到正确的内核。为了使您的数据与这些新的 transforms 兼容，您可以使用提供的 dataset wrapper（适用于大多数 torchvision 内置数据集），或者您可以手动将数据包装到 Datapoints 中。

from torchvision.datasets import wrap_dataset_for_transforms_v2
ds = CocoDetection(..., transforms=v2_transforms)
ds = wrap_dataset_for_transforms_v2(ds) # data is now compatible with transforms v2!

# Or wrap your data manually using the lower-level Datapoint classes:
from torchvision import datapoints

imgs = datapoints.Image(images)
vids = datapoints.Video(videos)
masks = datapoints.Mask(target["masks“])
bboxes = datapoints.BoundingBox(target["boxes“], format=”XYXY”, spatial_size=imgs.shape)

该 API 继续支持 PIL 和 Tensor 两种图像后端，支持单张或批量输入，并在函数式和类 API 上保持 JIT 可脚本性。新的 API 已被验证可达到与之前实现相同的精度。

一个端到端示例

以下是使用下面这张图像的新 API 示例。它适用于 PIL 图像和 Tensors。有关更多示例和教程，请查看我们的图库！

from torchvision import io, utils
from torchvision import datapoints
from torchvision.transforms import v2 as T
from torchvision.transforms.v2 import functional as F

# Defining and wrapping input to appropriate Tensor Subclasses
path = "COCO_val2014_000000418825.jpg"
img = datapoints.Image(io.read_image(path))
# img = PIL.Image.open(path)
bboxes = datapoints.BoundingBox(
    [[2, 0, 206, 253], [396, 92, 479, 241], [328, 253, 417, 332],
     [148, 68, 256, 182], [93, 158, 170, 260], [432, 0, 438, 26],
     [422, 0, 480, 25], [419, 39, 424, 52], [448, 37, 456, 62],
     [435, 43, 437, 50], [461, 36, 469, 63], [461, 75, 469, 94],
     [469, 36, 480, 64], [440, 37, 446, 56], [398, 233, 480, 304],
     [452, 39, 463, 63], [424, 38, 429, 50]],
    format=datapoints.BoundingBoxFormat.XYXY,
    spatial_size=F.get_spatial_size(img),
)
labels = [59, 58, 50, 64, 76, 74, 74, 74, 74, 74, 74, 74, 74, 74, 50, 74, 74]
# Defining and applying Transforms V2
trans = T.Compose(
    [
        T.ColorJitter(contrast=0.5),
        T.RandomRotation(30),
        T.CenterCrop(480),
    ]
)
img, bboxes, labels = trans(img, bboxes, labels)
# Visualizing results
viz = utils.draw_bounding_boxes(F.to_image_tensor(img), boxes=bboxes)
F.to_pil_image(viz).show()

开发里程碑和未来工作

我们非常希望收到您的反馈，以改进其功能。如果您有任何问题或建议，请联系我们。

将 TorchVision 的 Transforms 扩展到目标检测、分割和视频任务

当前 Transforms 的限制

新的 Transforms API

一个端到端示例

开发里程碑和未来工作

文档

教程

资源