RandomIoUCrop

类 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: Single Shot MultiBox Detector” 的随机 IoU 裁剪变换。

此变换要求输入包含图像或视频数据以及 tv_tensors.BoundingBoxes。

警告

为了正确移除 IoU 阈值以下的边界框，RandomIoUCrop 之后必须紧跟 SanitizeBoundingBoxes，无论是在其之后立即执行还是在变换管道的后续步骤中执行。

如果输入是 torch.Tensor 或 TVTensor (例如 Image、Video、BoundingBoxes 等)，它可以有任意数量的前置批处理维度。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) – 缩放输入尺寸的最小因子。

• max_scale (float, 可选) – 缩放输入尺寸的最大因子。

• 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 的列表, 可选) – 所有边界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) 重叠值寻找裁剪区域的尝试次数。默认值为 40。

使用 RandomIoUCrop 的示例

变换 v2：端到端对象检测/分割示例

变换 v2：端到端对象检测/分割示例

make_params(flat_inputs: List[Any]) → Dict[str, Any]

自定义变换要覆盖的方法。

请参阅 如何编写自己的 v2 变换

transform(inpt: Any, params: Dict[str, Any]) → Any

自定义变换要覆盖的方法。

请参阅 如何编写自己的 v2 变换