目录
快捷方式

变换和增强图像

Torchvision 在 torchvision.transforms 和 torchvision.transforms.v2 模块中支持常见的计算机视觉变换。变换可用于变换或增强数据，以用于不同任务（图像分类、检测、分割、视频分类）的训练或推理。

# Image Classification
import torch
from torchvision.transforms import v2

H, W = 32, 32
img = torch.randint(0, 256, size=(3, H, W), dtype=torch.uint8)

transforms = v2.Compose([
    v2.RandomResizedCrop(size=(224, 224), antialias=True),
    v2.RandomHorizontalFlip(p=0.5),
    v2.ToDtype(torch.float32, scale=True),
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
img = transforms(img)

# Detection (re-using imports and transforms from above)
from torchvision import tv_tensors

img = torch.randint(0, 256, size=(3, H, W), dtype=torch.uint8)
boxes = torch.randint(0, H // 2, size=(3, 4))
boxes[:, 2:] += boxes[:, :2]
boxes = tv_tensors.BoundingBoxes(boxes, format="XYXY", canvas_size=(H, W))

# The same transforms can be used!
img, boxes = transforms(img, boxes)
# And you can pass arbitrary input structures
output_dict = transforms({"image": img, "boxes": boxes})

变换通常作为 transform 或 transforms 参数传递给 Datasets。

从这里开始

无论您是 Torchvision 变换的新手还是已经经验丰富，我们都鼓励您从 开始使用变换 v2 开始，以便详细了解新的 v2 变换可以做什么。

然后，浏览此页面下方各部分，了解一般信息和性能提示。可用的变换和函数列在 API 参考 中。

更多信息和教程还可以在我们的 示例库 中找到，例如 变换 v2：端到端对象检测/分割示例 或 如何编写您自己的 v2 变换。

支持的输入类型和约定

大多数转换都接受 PIL 图像和张量输入。CPU 和 CUDA 张量都受支持。两种后端（PIL 或张量）的结果应该非常接近。一般来说，我们建议依靠张量后端 以提高性能。转换转换 可用于转换到 PIL 图像或从 PIL 图像转换，或用于转换数据类型和范围。

张量图像的形状应为 (C, H, W)，其中 C 是通道数，H 和 W 分别表示高度和宽度。大多数转换都支持批处理张量输入。一批张量图像是一个形状为 (N, C, H, W) 的张量，其中 N 是批处理中的图像数。v2 转换通常接受任意数量的前导维度 (..., C, H, W)，并且可以处理批处理图像或批处理视频。

数据类型和预期值范围

张量图像值的预期范围由张量数据类型隐式定义。具有浮点数据类型的张量图像的值应在 [0, 1] 中。具有整数数据类型的张量图像的值应在 [0, MAX_DTYPE] 中，其中 MAX_DTYPE 是该数据类型中可表示的最大值。通常，数据类型为 torch.uint8 的图像的值应在 [0, 255] 中。

使用 ToDtype 转换输入的数据类型和范围。

V1 或 V2？我应该使用哪一个？

TL;DR 我们建议使用 torchvision.transforms.v2 转换，而不是 torchvision.transforms 中的转换。它们更快，功能更强大。只需更改导入，即可开始使用。未来，新功能和改进只适用于 v2 转换。

在 Torchvision 0.15（2023 年 3 月）中，我们在 torchvision.transforms.v2 命名空间中发布了一组新的转换。与 v1 转换（在 torchvision.transforms 中）相比，这些转换有很多优势

这些转换与 v1 转换完全向后兼容，因此，如果您已经在使用 torchvision.transforms 中的转换，您只需将导入更新为 torchvision.transforms.v2 即可。在输出方面，由于实现差异，可能存在微不足道的差异。

性能注意事项

我们建议遵循以下准则，以充分发挥转换的性能

  • 依赖于 torchvision.transforms.v2 中的 v2 转换

  • 使用张量而不是 PIL 图像

  • 使用 torch.uint8 数据类型，特别是用于调整大小

  • 使用双线性或双三次模式调整大小

以下是典型转换管道的样貌

from torchvision.transforms import v2
transforms = v2.Compose([
    v2.ToImage(),  # Convert to tensor, only needed if you had a PIL image
    v2.ToDtype(torch.uint8, scale=True),  # optional, most input are already uint8 at this point
    # ...
    v2.RandomResizedCrop(size=(224, 224), antialias=True),  # Or Resize(antialias=True)
    # ...
    v2.ToDtype(torch.float32, scale=True),  # Normalize expects float input
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

上述内容应在依赖 torch.utils.data.DataLoader 的典型训练环境中提供最佳性能，其中 num_workers > 0。

转换往往对输入步幅/内存格式敏感。有些转换在通道优先的图像中会更快，而另一些则更喜欢通道优先。与 torch 运算符一样，大多数转换会保留输入的内存格式，但由于实现细节，并不总是会遵循此规则。如果你正在追求最佳性能，则可能需要进行一些实验。对各个转换使用 torch.compile() 也可能有助于分解内存格式变量（例如，在 Normalize 上）。请注意，我们讨论的是内存格式，而不是 张量形状。

请注意，调整大小转换（如 Resize 和 RandomResizedCrop）通常更喜欢通道优先输入，并且目前不会受益于 torch.compile()。

转换类、函数和内核

变换可作为类使用，如 Resize，也可作为函数使用，如 resize()，该函数在 torchvision.transforms.v2.functional 命名空间中。这与 torch.nn 包非常相似，后者在 torch.nn.functional 中定义了类和函数等价项。

函数支持 PIL 图像、纯张量或 TVTensor，例如 resize(image_tensor) 和 resize(boxes) 都有效。

注意

随机变换（如 RandomCrop）每次调用时都会随机抽取一些参数。它们的函数对应项（crop()）不会进行任何类型的随机抽样，因此参数化略有不同。使用函数 API 时，可以使用变换类的 get_params() 类方法来执行参数抽样。

torchvision.transforms.v2.functional 命名空间还包含我们称之为“内核”的内容。这些是实现特定类型核心功能的底层函数，例如 resize_bounding_boxes 或 `resized_crop_mask。它们是公开的，尽管没有记录。查看 代码 以查看有哪些可用（请注意，以以下划线开头的那些不是公开的！）。只有当您想要对边界框或掩码等类型提供 torchscript 支持 时，内核才真正有用。

Torchscript 支持

大多数变换类和函数式支持 torchscript。对于组合变换，使用 torch.nn.Sequential 而不是 Compose

transforms = torch.nn.Sequential(
    CenterCrop(10),
    Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)),
)
scripted_transforms = torch.jit.script(transforms)

警告

v2 变换支持 torchscript，但如果你对 v2 类变换调用 torch.jit.script()，你实际上会得到它的（脚本）v1 等价项。由于 v1 和 v2 之间的实现差异，这可能会导致脚本执行和急切执行之间的结果略有不同。

如果你确实需要对 v2 变换提供 torchscript 支持，我们建议对 torchvision.transforms.v2.functional 命名空间中的函数式进行脚本编写，以避免意外。

另请注意，函数式仅支持纯张量的 torchscript，这些张量始终被视为图像。如果你需要对其他类型（如边界框或掩码）提供 torchscript 支持，你可以依赖低级内核。

对于要与 torch.jit.script 一起使用的任何自定义变换，它们都应派生自 torch.nn.Module。

另请参阅：Torchscript 支持。

V1 API 参考

几何

Resize(size[, interpolation, max_size, ...])

将输入图像调整为给定大小。

RandomCrop(size[, padding, pad_if_needed, ...])

在随机位置裁剪给定图像。

RandomResizedCrop(size[, scale, ratio, ...])

裁剪图像的随机部分并将其调整为给定大小。

CenterCrop(size)

在中心裁剪给定图像。

FiveCrop(size)

将给定图像裁剪成四个角和中心裁剪。

TenCrop(size[, vertical_flip])

将给定的图像裁剪成四个角和中央裁剪，以及这些图像的翻转版本（默认情况下使用水平翻转）。

Pad(padding[, fill, padding_mode])

使用给定的“pad”值填充图像的所有边。

RandomRotation(degrees[, interpolation, ...])

按角度旋转图像。

RandomAffine(degrees[, translate, scale, ...])

随机仿射变换图像，保持中心不变。

RandomPerspective([distortion_scale, p, ...])

以给定的概率对给定的图像执行随机透视变换。

ElasticTransform([alpha, sigma, ...])

使用弹性变换变换张量图像。

RandomHorizontalFlip([p])

以给定的概率随机水平翻转给定的图像。

RandomVerticalFlip([p])

以给定的概率随机垂直翻转给定的图像。

颜色

ColorJitter([brightness, contrast, ...])

随机改变图像的亮度、对比度、饱和度和色相。

Grayscale([num_output_channels])

将图像转换为灰度。

RandomGrayscale([p])

以概率 p（默认值为 0.1）将图像随机转换为灰度。

GaussianBlur(kernel_size[, sigma])

使用随机选择的高斯模糊对图像进行模糊处理。

RandomInvert([p])

以给定的概率随机反转给定图像的颜色。

RandomPosterize(bits[, p])

通过减少每个颜色通道的位数，以给定的概率随机对图像进行海报化处理。

RandomSolarize(threshold[, p])

通过反转高于阈值的所有像素值，以给定的概率随机对图像进行日光化处理。

RandomAdjustSharpness(sharpness_factor[, p])

以给定的概率随机调整图像的锐度。

RandomAutocontrast([p])

以给定的概率随机对给定图像的像素进行自动对比度调整。

RandomEqualize([p])

以给定的概率随机均衡给定图像的直方图。

组合

Compose(transforms)

将多个变换组合在一起。

RandomApply(transforms[, p])

以给定的概率随机应用一系列变换。

RandomChoice(transforms[, p])

从列表中随机选取单个变换并应用。

RandomOrder(transforms)

按随机顺序应用一系列变换。

其他

LinearTransformation(transformation_matrix, ...)

使用正方形变换矩阵和离线计算的均值向量变换张量图像。

Normalize(mean, std[, inplace])

使用均值和标准差对张量图像进行归一化。

RandomErasing([p, scale, ratio, value, inplace])

在 torch.Tensor 图像中随机选择一个矩形区域并擦除其像素。

Lambda(lambd)

将用户定义的 lambda 作为变换应用。

转换

注意

请注意，以下某些转换将在执行转换时缩放值，而某些转换可能不会进行任何缩放。缩放是指，例如，uint8 -> float32 会将 [0, 255] 范围映射到 [0, 1]（反之亦然）。请参阅 数据类型和预期值范围。

ToPILImage([mode])

将张量或 ndarray 转换为 PIL 图像

ToTensor()

将 PIL 图像或 ndarray 转换为张量并相应地缩放值。

PILToTensor()

将 PIL 图像转换为相同类型的张量 - 这不会缩放值。

ConvertImageDtype(dtype)

将张量图像转换为给定的 dtype 并相应地缩放值。

自动增强

AutoAugment 是一种常见的数据增强技术，可以提高图像分类模型的准确性。尽管数据增强策略直接与其训练数据集相关，但实证研究表明，ImageNet 策略在应用于其他数据集时可提供显著的改进。在 TorchVision 中，我们实现了在以下数据集上学习到的 3 种策略：ImageNet、CIFAR10 和 SVHN。新的转换可独立使用，也可与现有转换混合匹配

AutoAugmentPolicy(value)

在不同数据集上学习的自动增强策略。

AutoAugment([policy, interpolation, fill])

基于 "AutoAugment：从数据中学习增强策略" 的 AutoAugment 数据增强方法。

RandAugment([num_ops, magnitude, ...])

基于 "RandAugment：具有缩小搜索空间的实用自动数据增强" 的 RandAugment 数据增强方法。

TrivialAugmentWide([num_magnitude_bins, ...])

数据集无关的数据增强，采用 TrivialAugment Wide，如 "TrivialAugment：无需调优但达到最先进水平的数据增强" 中所述。

AugMix([severity, mixture_width, ...])

基于 "AugMix：一种改进鲁棒性和不确定性的简单数据处理方法" 的 AugMix 数据增强方法。

功能转换

adjust_brightness(img, brightness_factor)

调整图像的亮度。

adjust_contrast(img, contrast_factor)

调整图像的对比度。

adjust_gamma(img, gamma[, gain])

对图像执行伽马校正。

adjust_hue(img, hue_factor)

调整图像的色调。

adjust_saturation(img, saturation_factor)

调整图像的色彩饱和度。

adjust_sharpness(img, sharpness_factor)

调整图像的锐度。

affine(img, angle, translate, scale, shear)

在图像上应用仿射变换，保持图像中心不变。

autocontrast(img)

通过重新映射每个通道的像素，使最低像素变为黑色，最高像素变为白色，从而最大化图像的对比度。

center_crop(img, output_size)

在中心裁剪给定图像。

convert_image_dtype(image[, dtype])

将张量图像转换为给定的 dtype 并相应地缩放值。此函数不支持 PIL 图像。

crop(img, top, left, height, width)

在指定位置和输出大小处裁剪给定图像。

equalize(img)

通过对输入应用非线性映射来均衡图像的直方图，以便在输出中创建灰度值的均匀分布。

erase(img, i, j, h, w, v[, inplace])

使用给定值擦除输入张量图像。

five_crop(img, size)

将给定图像裁剪成四个角和中心裁剪。

gaussian_blur(img, kernel_size[, sigma])

通过给定的内核对图像执行高斯模糊

get_dimensions(img)

将图像的尺寸返回为 [channels, height, width]。

get_image_num_channels(img)

返回图像的通道数。

get_image_size(img)

将图像的大小返回为 [width, height]。

hflip(img)

水平翻转给定的图像。

invert(img)

反转 RGB/灰度图像的颜色。

normalize(tensor, mean, std[, inplace])

使用均值和标准差对浮点张量图像进行归一化。

pad(img, padding[, fill, padding_mode])

使用给定的“pad”值填充图像的所有边。

perspective(img, startpoints, endpoints[, ...])

对给定的图像执行透视变换。

pil_to_tensor(pic)

将 PIL Image 转换为相同类型的张量。

posterize(img, bits)

通过减少每个颜色通道的位数对图像进行色调分离。

resize(img, size[, interpolation, max_size, ...])

将输入图像调整为给定大小。

resized_crop(img, top, left, height, width, size)

裁剪给定的图像并将其调整为所需大小。

rgb_to_grayscale(img[, num_output_channels])

将 RGB 图像转换为图像的灰度版本。

rotate(img, angle[, interpolation, expand, ...])

按角度旋转图像。

solarize(img, threshold)

通过反转高于阈值的像素值，对 RGB/灰度图像进行太阳化。

ten_crop(img, size[, vertical_flip])

从给定的图像生成十个裁剪图像。

to_grayscale(img[, num_output_channels])

将任意模式 (RGB、HSV、LAB 等) 的 PIL 图像转换为图像的灰度版本。

to_pil_image(pic[, mode])

将张量或 ndarray 转换为 PIL 图像。

to_tensor(pic)

将 PIL Image 或 numpy.ndarray 转换为张量。

vflip(img)

垂直翻转给定的图像。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源

为了分析流量并优化您的体验，我们在本网站上提供 cookie。通过点击或导航，您同意允许我们使用 cookie。作为本网站的当前维护者，Facebook 的 Cookie 政策适用。了解更多信息，包括可用的控制：Cookie 政策。