清理边界框

class torchvision.transforms.v2.SanitizeBoundingBoxes(min_size: float = 1.0, min_area: float = 1.0, labels_getter: Optional[Union[Callable[[Any], Any], str]] = 'default')

删除退化/无效的边界框及其相应的标签和掩码。

此变换删除边界框及其相关的标签/掩码，这些框/掩码

• 低于给定的 min_size 或 min_area：默认情况下，这也删除了退化的框，例如 X2 <= X1。

• 具有任何坐标超出其对应图像的坐标。您可能希望首先调用 ClampBoundingBoxes 以避免不必要的移除。

它还可以清理其他张量，例如 COCO 中的“iscrowd”或“area”属性（参见 labels_getter 参数）。

建议在将输入传递给模型之前，在管道结束时调用它。如果调用了 RandomIoUCrop，则调用此变换至关重要。如果您想格外小心，您可以在所有可能修改边界框的变换之后调用它，但在大多数情况下，在最后调用一次就足够了。

参数：:

• min_size (float, 可选) – 边界框将被移除的尺寸。默认值为 1。

• min_area (float, 可选) – 边界框将被移除的区域。默认值为 1。

• labels_getter (可调用对象或str或None, 可选) –

  指示如何在输入中识别标签（或任何需要与边界框一起清理的其他内容）。默认情况下，这将尝试在输入中找到一个“labels”键（不区分大小写），如果输入是字典，或者它是第二个元素是字典的元组。这种启发式方法应该适用于许多数据集，包括内置的 torchvision 数据集。

  它也可以是一个可调用对象，它接受与变换相同的输入，并返回：

  • 单个张量（标签）

  • 张量的元组/列表，每个张量都将与边界框一样进行清理。这对于清理多个张量（如标签和 COCO 中的“iscrowd”或“area”属性）很有用。

  如果 labels_getter 为 None，则只清理边界框。

使用 SanitizeBoundingBoxes 的示例

开始使用变换 v2

开始使用变换 v2

变换 v2：端到端目标检测/分割示例

变换 v2：端到端目标检测/分割示例

forward(*inputs: Any) → Any

定义每次调用时执行的计算。

所有子类都应重写。

注意

虽然正向传递的配方需要在此函数内定义，但应该随后调用 Module 实例，而不是此函数，因为前者负责运行已注册的钩子，而后者则静默地忽略它们。