RandomResizedCrop¶

class torchvision.transforms.v2.RandomResizedCrop(size: Union[int, Sequence[int]], scale: Tuple[float, float] = (0.08, 1.0), ratio: Tuple[float, float] = (0.75, 1.3333333333333333), interpolation: Union[InterpolationMode, int] = InterpolationMode.BILINEAR, antialias: Optional[bool] = True)[source]¶

裁剪输入图像的随机部分并将其调整为给定大小。

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。

对原始输入进行裁剪：裁剪区域具有随机面积 (H * W) 和随机宽高比。最终将裁剪后的图像调整为给定大小。这通常用于训练 Inception 网络。

参数:

size (int 或 sequence) –
裁剪后的预期输出大小，用于每个边缘。如果 size 是 int 而不是像 (h, w) 这样的序列，则会生成正方形输出大小 (size, size)。如果提供长度为 1 的序列，则将其解释为 (size[0], size[0])。

注意

在 torchscript 模式下，不支持单个 int 类型的 size，请使用长度为 1 的序列：[size, ]。
scale (tuple of python:float, optional) – 指定裁剪区域随机面积的下限和上限，在调整大小之前。比例是相对于原始图像面积定义的。
ratio (tuple of python:float, optional) – 裁剪区域随机宽高比的下限和上限，在调整大小之前。
interpolation (InterpolationMode, optional) – 期望的插值枚举，由 torchvision.transforms.InterpolationMode 定义。默认为 InterpolationMode.BILINEAR。如果输入是 Tensor，则仅支持 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, optional) –
是否应用抗锯齿。它仅影响具有双线性或双三次模式的张量，否则将被忽略：在 PIL 图像上，双线性或双三次模式始终应用抗锯齿；在其他模式下（对于 PIL 图像和张量），抗锯齿没有意义，此参数将被忽略。可能的值为
- True (默认)：将为双线性或双三次模式应用抗锯齿。其他模式不受影响。这可能是您想要使用的。
- False：不会为任何模式下的张量应用抗锯齿。PIL 图像在双线性或双三次模式下仍然会进行抗锯齿处理，因为 PIL 不支持无抗锯齿。
- None：对于张量等同于 False，对于 PIL 图像等同于 True。此值出于遗留原因而存在，除非您真的知道自己在做什么，否则可能不想使用它。
为了使 PIL 和 Tensor 后端保持一致，默认值已从 v0.17 中的 None 更改为 True。