快捷方式

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]

随机裁剪输入的一部分并将其调整为给定大小。

如果输入是 torch.TensorTVTensor(例如 ImageVideoBoundingBoxes 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:裁剪具有随机面积(H * W)和随机纵横比。最后将此裁剪调整为给定大小。这通常用于训练 Inception 网络。

参数:
  • size (int序列) –

    裁剪的预期输出大小,对于每个边。如果 size 是 int 而不是序列(如 (h, w)),则会创建正方形输出大小 (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,size 作为单个 int 不受支持,请使用长度为 1 的序列:[size, ]

  • scale (python:float 的元组, 可选) – 指定裁剪随机区域的下限和上限,在调整大小之前。比例是相对于原始图像的面积定义的。

  • ratio (python:float 的元组, 可选) – 裁剪随机纵横比的下限和上限,在调整大小之前。

  • interpolation (InterpolationMode, 可选) – 由 torchvision.transforms.InterpolationMode 定义的所需插值枚举。默认为 InterpolationMode.BILINEAR。如果输入是张量,则仅支持 InterpolationMode.NEARESTInterpolationMode.NEAREST_EXACTInterpolationMode.BILINEARInterpolationMode.BICUBIC。相应的 Pillow 整数常量(例如 PIL.Image.BILINEAR)也被接受。

  • antialias (bool, 可选) –

    是否应用抗锯齿。它仅影响使用双线性或双三次模式的张量,否则将被忽略:在 PIL 图像上,始终在双线性或双三次模式上应用抗锯齿;在其他模式(对于 PIL 图像和张量)上,抗锯齿没有意义,并且此参数将被忽略。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 图像仍然在双线性或双三次模式下进行抗锯齿,因为 PIL 不支持不抗锯齿。

    • None:对于张量等效于 False,对于 PIL 图像等效于 True。此值出于遗留原因存在,除非您确实知道自己在做什么,否则您可能不想使用它。

    默认值在 v0.17 中从 None 更改为 True,以便 PIL 和 Tensor 后端保持一致。

使用 RandomResizedCrop 的示例

Transforms v2 入门

Transforms v2 入门

Transforms 的说明

Transforms 的说明

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

如何编写自己的 v2 Transforms

如何编写自己的 v2 Transforms

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

获取随机大小裁剪的 crop 参数。

参数:
  • img (PIL ImageTensor) – 输入图像。

  • scale (列表) – 裁剪的原始大小比例范围

  • ratio (列表) – 裁剪的原始纵横比范围

返回:

要传递给 crop 的参数 (i, j, h, w),用于随机大小裁剪。

返回类型:

元组

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源