RandomResizedCrop

class torchvision.transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.3333333333333333), interpolation=InterpolationMode.BILINEAR, antialias: Optional[bool] = True)

裁剪图像的随机部分并将其缩放到给定尺寸。

如果图像是 torch Tensor，则其形状应为 […, H, W]，其中 … 表示任意数量的前导维度

对原始图像进行裁剪：裁剪区域具有随机面积 (H * W) 和随机纵横比。最终将此裁剪区域缩放到给定尺寸。这通常用于训练 Inception 网络。

参数:

• size (int 或 sequence) –

  裁剪后期望的输出尺寸，适用于每个边缘。如果 size 是 int 而不是 sequence（如 (h, w)），则会生成一个方形输出尺寸 (size, size)。如果提供长度为 1 的 sequence，则将其解释为 (size[0], size[0])。

  注意

  在 torchscript 模式下，不支持将 size 作为单个 int，请使用长度为 1 的 sequence：[size, ]。

• scale (python:float 元组) – 指定裁剪前随机区域的下限和上限。缩放比例是相对于原始图像的面积定义的。

• ratio (python:float 元组) – 指定裁剪前随机纵横比的下限和上限。

• interpolation (InterpolationMode) – 由 torchvision.transforms.InterpolationMode 定义的期望插值模式枚举。默认为 InterpolationMode.BILINEAR。如果输入是 Tensor，只支持 InterpolationMode.NEAREST、InterpolationMode.NEAREST_EXACT、InterpolationMode.BILINEAR 和 InterpolationMode.BICUBIC。也接受相应的 Pillow 整数常量，例如 PIL.Image.BILINEAR。

• antialias (bool, 可选) –

  是否应用抗锯齿。它只影响双线性或双三次模式的 tensors，否则将被忽略：对于 PIL 图像，抗锯齿始终应用于双线性或双三次模式；对于其他模式（PIL 图像和 tensors），抗锯齿没有意义，此参数将被忽略。可能的值有

  • True (默认): 将对抗锯齿应用于双线性或双三次模式。其他模式不受影响。这可能是您想要使用的。

  • False: 将不对任何模式下的 tensors 应用抗锯齿。PIL 图像在双线性或双三次模式下仍然会应用抗锯齿，因为 PIL 不支持无抗锯齿。

  • None: 对于 tensors 等同于 False，对于 PIL 图像等同于 True。此值是出于历史原因而存在，除非您非常清楚自己在做什么，否则可能不应使用它。

  为了使 PIL 和 Tensor 后端保持一致，在 v0.17 中，默认值从 None 更改为 True。

使用 RandomResizedCrop 的示例

如何编写自己的 v2 变换

如何编写自己的 v2 变换

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

变换 v2 入门

变换 v2 入门

变换示例

变换示例

forward(img)

参数:

img (PIL Image 或 Tensor) – 要裁剪和缩放的图像。

返回:

随机裁剪和缩放后的图像。

返回类型:

PIL Image 或 Tensor

static get_params(img: Tensor, scale: List[float], ratio: List[float]) → Tuple[int, int, int, int]

获取 crop 用于随机大小裁剪的参数。

参数:

• img (PIL Image 或 Tensor) – 输入图像。

• scale (list) – 裁剪前原始尺寸的缩放范围

• ratio (list) – 裁剪前原始纵横比的范围

返回:

params (i, j, h, w)，将传递给 crop 用于随机大小裁剪。

返回类型:

tuple