RandomIoUCrop

class torchvision.transforms.v2.RandomIoUCrop(min_scale: float = 0.3, max_scale: float = 1.0, min_aspect_ratio: float = 0.5, max_aspect_ratio: float = 2.0, sampler_options: Optional[List[float]] = None, trials: int = 40)

来自 “SSD：单次多框检测器” 的随机 IoU 裁剪变换。

此变换需要输入图像或视频数据和 tv_tensors.BoundingBoxes。

警告

为了正确删除低于 IoU 阈值的边界框，RandomIoUCrop 必须后跟 SanitizeBoundingBoxes，可以紧随其后或稍后在变换管道中进行。

如果输入是 torch.Tensor 或 TVTensor（例如 Image、Video、BoundingBoxes 等），它可以具有任意数量的前导批次维度。例如，图像可以具有 [..., C, H, W] 形状。边界框可以具有 [..., 4] 形状。

参数：

• min_scale (float，可选) – 缩放输入大小的最小因子。

• max_scale (float，可选) – 缩放输入大小的最大因子。

• min_aspect_ratio (float，可选) – 裁剪后的图像或视频的最小纵横比。

• max_aspect_ratio (float，可选) – 裁剪后的图像或视频的最大纵横比。

• sampler_options (python:float 列表，可选) – 所有框与裁剪后的图像或视频之间的最小 IoU（Jaccard）重叠列表。默认值为 None，对应于 [0.0, 0.1, 0.3, 0.5, 0.7, 0.9, 1.0]

• trials (int，可选) – 为给定最小 IoU（Jaccard）重叠值查找裁剪的尝试次数。默认值为 40。

使用 RandomIoUCrop 的示例

Transforms v2：端到端目标检测/分割示例

Transforms v2：端到端目标检测/分割示例