Transforms v2 快速入门¶

注意

在 Colab 上尝试或转到结尾下载完整的示例代码。

此示例说明了开始使用新的 torchvision.transforms.v2 API 所需了解的所有内容。我们将介绍图像分类等简单任务，以及目标检测/分割等更高级的任务。

首先，进行一些设置

from pathlib import Path
import torch
import matplotlib.pyplot as plt
plt.rcParams["savefig.bbox"] = 'tight'

from torchvision.transforms import v2
from torchvision.io import decode_image

torch.manual_seed(1)

# If you're trying to run that on Colab, you can download the assets and the
# helpers from https://github.com/pytorch/vision/tree/main/gallery/
from helpers import plot
img = decode_image(str(Path('../assets') / 'astronaut.jpg'))
print(f"{type(img) = }, {img.dtype = }, {img.shape = }")

type(img) = <class 'torch.Tensor'>, img.dtype = torch.uint8, img.shape = torch.Size([3, 512, 512])

基础知识¶

Torchvision 的 transforms 行为类似于常规的 torch.nn.Module（事实上，大多数都是）：实例化一个 transform，传入一个输入，获得一个转换后的输出。

transform = v2.RandomCrop(size=(224, 224))
out = transform(img)

plot([img, out])

我只想进行图像分类¶

如果您只关心图像分类，事情就非常简单。一个基本的分类管道可能如下所示

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]),
])
out = transforms(img)

plot([img, out])

此类转换管道通常作为 transform 参数传递给 Datasets，例如 ImageNet(..., transform=transforms)。

这基本上就是全部内容。从这里开始，阅读我们的主要文档以了解有关推荐实践和约定的更多信息，或探索更多示例，例如如何使用增强 transforms，如 CutMix 和 MixUp。

注意

如果您已经依赖于 torchvision.transforms v1 API，我们建议您切换到新的 v2 transforms。这非常简单：v2 transforms 与 v1 API 完全兼容，因此您只需更改导入即可！

检测、分割、视频¶

torchvision.transforms.v2 命名空间中的新 Torchvision transforms 支持超越图像分类的任务：它们还可以转换边界框、分割/检测掩码或视频。

让我们简要看一下带有边界框的检测示例。

from torchvision import tv_tensors  # we'll describe this a bit later, bare with us

boxes = tv_tensors.BoundingBoxes(
    [
        [15, 10, 370, 510],
        [275, 340, 510, 510],
        [130, 345, 210, 425]
    ],
    format="XYXY", canvas_size=img.shape[-2:])

transforms = v2.Compose([
    v2.RandomResizedCrop(size=(224, 224), antialias=True),
    v2.RandomPhotometricDistort(p=1),
    v2.RandomHorizontalFlip(p=1),
])
out_img, out_boxes = transforms(img, boxes)
print(type(boxes), type(out_boxes))

plot([(img, boxes), (out_img, out_boxes)])

<class 'torchvision.tv_tensors._bounding_boxes.BoundingBoxes'> <class 'torchvision.tv_tensors._bounding_boxes.BoundingBoxes'>

上面的示例侧重于目标检测。但是，如果我们有用于目标分割或语义分割的掩码 (torchvision.tv_tensors.Mask)，或视频 (torchvision.tv_tensors.Video)，我们可以以完全相同的方式将它们传递给 transforms。

到目前为止，您可能有一些疑问：什么是这些 TVTensors，我们如何使用它们，以及这些 transforms 的预期输入/输出是什么？我们将在接下来的部分中回答这些问题。

什么是 TVTensors？¶

TVTensors 是 torch.Tensor 的子类。可用的 TVTensors 包括 Image、BoundingBoxes、Mask 和 Video。

TVTensors 看起来和感觉起来就像普通的张量——它们**就是**张量。在普通 torch.Tensor 上支持的所有操作，例如 .sum() 或任何 torch.* 操作符，也适用于 TVTensor。

img_dp = tv_tensors.Image(torch.randint(0, 256, (3, 256, 256), dtype=torch.uint8))

print(f"{isinstance(img_dp, torch.Tensor) = }")
print(f"{img_dp.dtype = }, {img_dp.shape = }, {img_dp.sum() = }")

isinstance(img_dp, torch.Tensor) = True
img_dp.dtype = torch.uint8, img_dp.shape = torch.Size([3, 256, 256]), img_dp.sum() = tensor(25087958)

这些 TVTensor 类是 transforms 的核心：为了转换给定的输入，transforms 首先查看对象的**类**，并相应地分派到合适的实现。

在这一点上，您不需要了解太多关于 TVTensors 的知识，但想要了解更多的高级用户可以参考 TVTensors 常见问题解答。

我应该传入什么作为输入？¶

上面，我们看到了两个示例：一个示例中我们将单个图像作为输入，即 out = transforms(img)，另一个示例中我们将图像和边界框都作为输入，即 out_img, out_boxes = transforms(img, boxes)。

事实上，transforms 支持**任意输入结构**。输入可以是单个图像、元组、任意嵌套的字典……几乎任何东西。相同的结构将作为输出返回。下面，我们使用相同的检测 transforms，但将元组 (image, target_dict) 作为输入，我们得到与输出相同的结构

target = {
    "boxes": boxes,
    "labels": torch.arange(boxes.shape[0]),
    "this_is_ignored": ("arbitrary", {"structure": "!"})
}

# Re-using the transforms and definitions from above.
out_img, out_target = transforms(img, target)

plot([(img, target["boxes"]), (out_img, out_target["boxes"])])
print(f"{out_target['this_is_ignored']}")

('arbitrary', {'structure': '!'})

我们传入一个元组，因此我们得到一个元组作为返回，第二个元素是转换后的 target dict。Transforms 并不真正关心输入的结构；如上所述，它们只关心对象的**类型**并相应地进行转换。

外部对象（如字符串或整数）将被简单地传递。这在调试时很有用，例如，如果您想将路径与每个样本关联！

注意

**免责声明** 此注释略微高级，第一次阅读时可以安全地跳过。

纯 torch.Tensor 对象通常被视为图像（或对于特定于视频的 transforms 而言是视频）。实际上，您可能已经注意到，在上面的代码中，我们根本没有使用 Image 类，但我们的图像仍然得到了正确的转换。Transforms 遵循以下逻辑来确定是否应将纯张量视为图像（或视频），或只是忽略它

如果输入中存在 Image、Video 或 PIL.Image.Image 实例，则所有其他纯张量都将被传递。
如果不存在 Image 或 Video 实例，则只会将第一个纯 torch.Tensor 转换为图像或视频，而其他所有张量都将直接传递。这里“第一个”指的是“深度优先遍历中的第一个”。

这就是上面检测示例中发生的情况：第一个纯张量是图像，因此它被正确转换，而所有其他纯张量实例（如 labels）则直接传递（尽管标签仍然可以通过某些转换进行转换，例如 SanitizeBoundingBoxes！）。

转换和数据集的互操作性¶

粗略地说，数据集的输出必须与转换的输入相对应。如何做到这一点取决于您是使用 torchvision 内置数据集，还是使用您自己的自定义数据集。

使用内置数据集¶

如果您只是进行图像分类，则无需执行任何操作。只需使用数据集的 transform 参数，例如 ImageNet(..., transform=transforms)，即可。

Torchvision 还支持用于目标检测或分割的数据集，例如 torchvision.datasets.CocoDetection。这些数据集早于 torchvision.transforms.v2 模块和 TVTensors 的存在，因此它们不会开箱即用地返回 TVTensors。

强制这些数据集返回 TVTensors 并使其与 v2 转换兼容的一种简单方法是使用 torchvision.datasets.wrap_dataset_for_transforms_v2() 函数

from torchvision.datasets import CocoDetection, wrap_dataset_for_transforms_v2

dataset = CocoDetection(..., transforms=my_transforms)
dataset = wrap_dataset_for_transforms_v2(dataset)
# Now the dataset returns TVTensors!

使用您自己的数据集¶

如果您有自定义数据集，则需要将您的对象转换为相应的 TVTensor 类。创建 TVTensor 实例非常容易，请参阅如何构建 TVTensor？以了解更多详细信息。

您可以实现转换逻辑的两个主要位置

在数据集的 __getitem__ 方法的末尾，在返回样本之前（或通过子类化数据集）。
作为转换管道的第一步

无论哪种方式，逻辑都将取决于您的特定数据集。

脚本的总运行时间：（0 分钟 0.702 秒）

由 Sphinx-Gallery 生成的图库