如何编写自己的 v2 转换

注意

尝试在 colab 上或 转到结尾 下载完整的示例代码。

本指南介绍如何编写与 torchvision 转换 V2 API 兼容的转换。

import torch
from torchvision import tv_tensors
from torchvision.transforms import v2

只需创建一个 nn.Module 并覆盖 forward 方法

在大多数情况下，只要您已经了解转换将期望的输入结构，这将是您所需要的全部。例如，如果您只是进行图像分类，您的转换通常会接受单个图像作为输入，或者 (img, label) 输入。因此，您可以直接将 forward 方法硬编码为仅接受该输入，例如

class MyCustomTransform(torch.nn.Module):
    def forward(self, img, label):
        # Do some transformations
        return new_img, new_label

注意

这意味着，如果您有一个与 V1 转换（位于 torchvision.transforms 中）兼容的自定义转换，它将无需任何更改即可与 V2 转换一起使用！

我们将在下面用一个典型的检测案例更完整地说明这一点，在这个案例中，我们的样本只是图像、边界框和标签。

class MyCustomTransform(torch.nn.Module):
    def forward(self, img, bboxes, label):  # we assume inputs are always structured like this
        print(
            f"I'm transforming an image of shape {img.shape} "
            f"with bboxes = {bboxes}\n{label = }"
        )
        # Do some transformations. Here, we're just passing though the input
        return img, bboxes, label


transforms = v2.Compose([
    MyCustomTransform(),
    v2.RandomResizedCrop((224, 224), antialias=True),
    v2.RandomHorizontalFlip(p=1),
    v2.Normalize(mean=[0, 0, 0], std=[1, 1, 1])
])

H, W = 256, 256
img = torch.rand(3, H, W)
bboxes = tv_tensors.BoundingBoxes(
    torch.tensor([[0, 10, 10, 20], [50, 50, 70, 70]]),
    format="XYXY",
    canvas_size=(H, W)
)
label = 3

out_img, out_bboxes, out_label = transforms(img, bboxes, label)

I'm transforming an image of shape torch.Size([3, 256, 256]) with bboxes = BoundingBoxes([[ 0, 10, 10, 20],
               [50, 50, 70, 70]], format=BoundingBoxFormat.XYXY, canvas_size=(256, 256))
label = 3

print(f"Output image shape: {out_img.shape}\nout_bboxes = {out_bboxes}\n{out_label = }")

Output image shape: torch.Size([3, 224, 224])
out_bboxes = BoundingBoxes([[224,   0, 224,   0],
               [136,   0, 173,   0]], format=BoundingBoxFormat.XYXY, canvas_size=(224, 224))
out_label = 3

注意

在代码中使用 TVTensor 类时，请务必熟悉以下部分：我有一个 TVTensor，但现在我有一个 Tensor。求助！

支持任意输入结构

在上面的部分中，我们假设您已经了解了输入的结构，并且您对在代码中硬编码此预期结构感到满意。如果您希望您的自定义转换尽可能灵活，这可能会有点限制。

内置 Torchvision V2 转换的一个关键特性是它们可以接受任意输入结构，并返回与输出相同的结构（带有转换后的条目）。例如，转换可以接受单个图像，或一个 (img, label) 元组，或一个任意嵌套字典作为输入。

structured_input = {
    "img": img,
    "annotations": (bboxes, label),
    "something_that_will_be_ignored": (1, "hello")
}
structured_output = v2.RandomHorizontalFlip(p=1)(structured_input)

assert isinstance(structured_output, dict)
assert structured_output["something_that_will_be_ignored"] == (1, "hello")
print(f"The transformed bboxes are:\n{structured_output['annotations'][0]}")

The transformed bboxes are:
BoundingBoxes([[246,  10, 256,  20],
               [186,  50, 206,  70]], format=BoundingBoxFormat.XYXY, canvas_size=(256, 256))

如果您希望在自己的转换中复制此行为，我们建议您查看我们的 代码 并根据您的需要进行调整。

简而言之，核心逻辑是使用 pytree 将输入解包成一个扁平列表，然后仅转换可以转换的条目（根据条目的 **类** 进行决策，因为所有 TVTensor 都是张量子类）加上一些此处不计分的自定义逻辑 - 检查代码以获取详细信息。然后，将（可能已转换的）条目重新打包并返回，其结构与输入相同。

我们目前没有提供面向开发人员的公共工具来实现这一点，但如果您认为这很有价值，请通过在我们的 GitHub 仓库 上创建一个问题来告知我们。