目录
  • 文档 >
  • 图像变换和增强
快捷方式

图像变换和增强

Torchvision 在 torchvision.transforms 和 torchvision.transforms.v2 模块中支持常见的计算机视觉变换。变换可用于变换或增强数据，以用于不同任务（图像分类、检测、分割、视频分类）的训练或推理。

# Image Classification
import torch
from torchvision.transforms import v2

H, W = 32, 32
img = torch.randint(0, 256, size=(3, H, W), dtype=torch.uint8)

transforms = v2.Compose([
    v2.RandomResizedCrop(size=(224, 224), antialias=True),
    v2.RandomHorizontalFlip(p=0.5),
    v2.ToDtype(torch.float32, scale=True),
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
img = transforms(img)

# Detection (re-using imports and transforms from above)
from torchvision import tv_tensors

img = torch.randint(0, 256, size=(3, H, W), dtype=torch.uint8)
boxes = torch.randint(0, H // 2, size=(3, 4))
boxes[:, 2:] += boxes[:, :2]
boxes = tv_tensors.BoundingBoxes(boxes, format="XYXY", canvas_size=(H, W))

# The same transforms can be used!
img, boxes = transforms(img, boxes)
# And you can pass arbitrary input structures
output_dict = transforms({"image": img, "boxes": boxes})

变换通常作为 transform 或 transforms 参数传递给 数据集。

从这里开始

无论您是 Torchvision 变换的新手，还是已经经验丰富，我们建议您从 v2 变换入门 开始，以详细了解使用新 v2 变换可以做什么。

然后，浏览本页面下方部分以获取一般信息和性能提示。可用的变换和函数在 API 参考 中列出。

更多信息和教程也可以在我们的 示例库 中找到，例如 v2 变换：端到端目标检测/分割示例 或 如何编写您自己的 v2 变换。

支持的输入类型和约定

大多数变换都接受 PIL 图像和张量输入。支持 CPU 和 CUDA 张量。两种后端（PIL 或张量）的结果应该非常接近。一般来说，我们建议依赖张量后端 以获得性能。可以使用 转换变换 在 PIL 图像之间转换，或用于转换数据类型和范围。

预期张量图像的形状为 (C, H, W)，其中 C 是通道数，H 和 W 分别代表高度和宽度。大多数变换支持批量张量输入。批量张量图像是一个形状为 (N, C, H, W) 的张量，其中 N 是批量中的图像数量。 v2 变换通常接受任意数量的领先维度 (..., C, H, W) 并可以处理批量图像或批量视频。

数据类型和预期值范围

张量图像值的预期范围由张量数据类型隐式定义。数据类型为浮点的张量图像的预期值为 [0, 1]。数据类型为整数的张量图像的预期值为 [0, MAX_DTYPE]，其中 MAX_DTYPE 是该数据类型可以表示的最大值。通常，数据类型为 torch.uint8 的图像的预期值为 [0, 255]。

使用 ToDtype 转换输入的数据类型和范围。

V1 或 V2？我应该使用哪一个？

TL;DR 我们建议您使用 torchvision.transforms.v2 中的变换，而不是 torchvision.transforms 中的变换。它们更快，并且可以做更多的事情。只需更改导入，您就可以使用了。今后，只会针对 v2 变换考虑新功能和改进。

在 Torchvision 0.15（2023 年 3 月）中，我们发布了一组新的变换，它们位于 torchvision.transforms.v2 命名空间中。与 v1 变换（位于 torchvision.transforms 中）相比，这些变换具有许多优势。

这些变换与 v1 变换 **完全向后兼容**，因此如果您已经使用来自 torchvision.transforms 的变换，您只需将导入更新为 torchvision.transforms.v2 即可。在输出方面，由于实现差异，可能会存在微不足道的差异。

性能注意事项

我们建议您遵循以下准则以从变换中获得最佳性能

  • 依赖来自 torchvision.transforms.v2 的 v2 变换

  • 使用张量而不是 PIL 图像

  • 使用 torch.uint8 数据类型，尤其是对于调整大小

  • 使用双线性或双三次模式进行调整大小

典型的变换管道可能如下所示

from torchvision.transforms import v2
transforms = v2.Compose([
    v2.ToImage(),  # Convert to tensor, only needed if you had a PIL image
    v2.ToDtype(torch.uint8, scale=True),  # optional, most input are already uint8 at this point
    # ...
    v2.RandomResizedCrop(size=(224, 224), antialias=True),  # Or Resize(antialias=True)
    # ...
    v2.ToDtype(torch.float32, scale=True),  # Normalize expects float input
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

在典型的训练环境中，使用 torch.utils.data.DataLoader 并设置 num_workers > 0，上述操作应为您提供最佳性能。

变换对输入步幅/内存格式很敏感。一些变换在通道优先图像上速度更快，而另一些则更喜欢通道最后。像 torch 运算符一样，大多数变换会保留输入的内存格式，但由于实现细节，这可能并不总是被遵守。如果你追求最佳性能，可能需要进行一些实验。在单个变换上使用 torch.compile() 也可以帮助剔除内存格式变量（例如在 Normalize 上）。请注意，我们讨论的是 **内存格式**，而不是 张量形状.

请注意，像 Resize 和 RandomResizedCrop 这样的调整大小变换通常更喜欢通道最后输入，并且目前 **不会** 从 torch.compile() 中受益。

变换类、函数和内核

变换可以作为类使用，例如 Resize，也可以作为函数使用，例如 torchvision.transforms.v2.functional 命名空间中的 resize()。这非常类似于 torch.nn 包，它在 torch.nn.functional 中定义了类和函数等效项。

这些函数支持 PIL 图像、纯张量或 TVTensors，例如 resize(image_tensor) 和 resize(boxes) 都是有效的。

注意

像 RandomCrop 这样的随机变换会在每次调用时随机采样一些参数。它们的函数对应项 (crop()) 不会进行任何随机采样，因此参数化略有不同。变换类的 get_params() 类方法可用于在使用函数 API 时执行参数采样。

torchvision.transforms.v2.functional 命名空间还包含我们称之为“内核”的内容。这些是实现特定类型核心功能的低级函数，例如 resize_bounding_boxes 或 `resized_crop_mask。它们是公开的，但没有文档说明。查看 代码 查看哪些可用（注意，以下划线开头的那些 **不** 是公开的！）。内核只有在你需要像边界框或掩码这样的类型的 torchscript 支持 时才会真正有用。

Torchscript 支持

大多数变换类和函数支持 torchscript。对于组合变换，使用 torch.nn.Sequential 而不是 Compose

transforms = torch.nn.Sequential(
    CenterCrop(10),
    Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)),
)
scripted_transforms = torch.jit.script(transforms)

警告

v2 变换支持 torchscript，但如果你在 v2 **类** 变换上调用 torch.jit.script()，你实际上会得到它的 (脚本化的) v1 等效项。由于 v1 和 v2 之间的实现差异，这可能会导致脚本化执行和急切执行之间略有不同的结果。

如果你真的需要对 v2 变换进行 torchscript 支持，我们建议对 torchvision.transforms.v2.functional 命名空间中的 **函数** 进行脚本化，以避免意外。

还要注意，这些函数仅支持纯张量的 torchscript，这些张量始终被视为图像。如果你需要对其他类型（如边界框或掩码）进行 torchscript 支持，你可以依赖 低级内核.

对于要与 torch.jit.script 一起使用的任何自定义变换，它们应该从 torch.nn.Module 派生。

另见：Torchscript 支持.

V1 API 参考

几何

Resize(size[, interpolation, max_size, ...])

将输入图像调整为给定大小。

RandomCrop(size[, padding, pad_if_needed, ...])

在随机位置裁剪给定的图像。

RandomResizedCrop(size[, scale, ratio, ...])

裁剪图像的随机部分并将其调整为给定大小。

CenterCrop(size)

在中心裁剪给定的图像。

FiveCrop(size)

将给定的图像裁剪为四个角和中心裁剪。

TenCrop(size[, vertical_flip])

将给定的图像裁剪为四个角和中心裁剪，加上它们的翻转版本（默认使用水平翻转）。

Pad(padding[, fill, padding_mode])

使用给定的“pad”值在给定图像的所有边上进行填充。

RandomRotation(degrees[, interpolation, ...])

将图像旋转角度。

RandomAffine(degrees[, translate, scale, ...])

图像的随机仿射变换，保持中心不变。

RandomPerspective([distortion_scale, p, ...])

以给定的概率对给定的图像执行随机透视变换。

ElasticTransform([alpha, sigma, ...])

使用弹性变换变换张量图像。

RandomHorizontalFlip([p])

以给定的概率随机水平翻转给定的图像。

RandomVerticalFlip([p])

以给定的概率随机垂直翻转给定的图像。

颜色

ColorJitter([brightness, contrast, ...])

随机改变图像的亮度、对比度、饱和度和色调。

Grayscale([num_output_channels])

将图像转换为灰度。

RandomGrayscale([p])

以 p 的概率（默认值为 0.1）随机将图像转换为灰度。

GaussianBlur(kernel_size[, sigma])

使用随机选择的 Gaussian 模糊对图像进行模糊处理。

RandomInvert([p])

以给定的概率随机反转给定图像的颜色。

RandomPosterize(bits[, p])

通过减少每个颜色通道的位数，以给定的概率随机地将图像进行色调分离。

RandomSolarize(threshold[, p])

以给定的概率随机地对图像进行太阳化，方法是反转所有高于阈值的像素值。

RandomAdjustSharpness(sharpness_factor[, p])

以给定的概率随机调整图像的锐度。

RandomAutocontrast([p])

以给定的概率随机地对给定图像的像素进行自动对比度调整。

RandomEqualize([p])

以给定的概率随机地均衡给定图像的直方图。

组合

Compose(transforms)

将多个转换组合在一起。

RandomApply(transforms[, p])

以给定概率随机应用转换列表。

RandomChoice(transforms[, p])

随机应用从列表中随机选择的单个转换。

RandomOrder(transforms)

按随机顺序应用转换列表。

其他

LinearTransformation(transformation_matrix, ...)

使用方形变换矩阵和离线计算的均值向量变换张量图像。

Normalize(mean, std[, inplace])

使用均值和标准差归一化张量图像。

RandomErasing([p, scale, ratio, value, inplace])

随机选择一个矩形区域，并在 torch.Tensor 图像中擦除其像素。

Lambda(lambd)

将用户定义的 lambda 作为变换应用。

转换

注意

注意，下面的一些转换将在执行转换时缩放值，而另一些可能不会进行任何缩放。 缩放是指例如 uint8 -> float32 将 [0, 255] 范围映射到 [0, 1]（反之亦然）。 请参见 数据类型和预期值范围。

ToPILImage([mode])

将张量或 ndarray 转换为 PIL 图像

ToTensor()

将 PIL Image 或 ndarray 转换为张量，并相应地缩放值。

PILToTensor()

将 PIL 图像转换为相同类型张量 - 这不会缩放值。

ConvertImageDtype(dtype)

将张量图像转换为给定的 dtype 并相应地缩放值。

自动增强

AutoAugment 是一种常见的图像数据增强技术，可以提高图像分类模型的精度。虽然数据增强策略与它们训练的数据集直接相关，但实证研究表明，ImageNet 策略应用于其他数据集时可以显著提高性能。在 TorchVision 中，我们实现了 3 种在以下数据集上学习的策略：ImageNet、CIFAR10 和 SVHN。新的变换可以单独使用，也可以与现有的变换混合使用。

AutoAugmentPolicy(value)

在不同数据集上学习的自动增强策略。

AutoAugment([policy, interpolation, fill])

基于 "AutoAugment: Learning Augmentation Strategies from Data" 的 AutoAugment 数据增强方法。

RandAugment([num_ops, magnitude, ...])

基于 "RandAugment: Practical automated data augmentation with a reduced search space" 的 RandAugment 数据增强方法。

TrivialAugmentWide([num_magnitude_bins, ...])

使用 TrivialAugment Wide 进行数据集无关的数据增强，如 "TrivialAugment: Tuning-free Yet State-of-the-Art Data Augmentation" 中所述。

AugMix([severity, mixture_width, ...])

基于 "AugMix: A Simple Data Processing Method to Improve Robustness and Uncertainty" 的 AugMix 数据增强方法。

函数式变换

adjust_brightness(img, brightness_factor)

调整图像的亮度。

adjust_contrast(img, contrast_factor)

调整图像的对比度。

adjust_gamma(img, gamma[, gain])

对图像执行伽马校正。

adjust_hue(img, hue_factor)

调整图像的色调。

adjust_saturation(img, saturation_factor)

调整图像的色彩饱和度。

adjust_sharpness(img, sharpness_factor)

调整图像的锐度。

affine(img, angle, translate, scale, shear)

在图像上应用仿射变换，保持图像中心不变。

autocontrast(img)

通过重新映射每个通道的像素，使最低像素变为黑色，最亮像素变为白色，从而最大化图像的对比度。

center_crop(img, output_size)

在中心裁剪给定的图像。

convert_image_dtype(image[, dtype])

将张量图像转换为给定的 dtype 并相应地缩放值。此函数不支持 PIL Image。

crop(img, top, left, height, width)

在指定位置和输出大小处裁剪给定图像。

equalize(img)

通过对输入应用非线性映射，使输出的灰度值均匀分布，从而均衡图像的直方图。

erase(img, i, j, h, w, v[, inplace])

使用给定值擦除输入的张量图像。

five_crop(img, size)

将给定的图像裁剪为四个角和中心裁剪。

gaussian_blur(img, kernel_size[, sigma])

使用给定的内核对图像进行高斯模糊。

get_dimensions(img)

返回图像的尺寸，为 [通道数，高度，宽度]。

get_image_num_channels(img)

返回图像的通道数。

get_image_size(img)

返回图像的大小，为 [宽度，高度]。

hflip(img)

水平翻转给定图像。

invert(img)

反转 RGB/灰度图像的颜色。

normalize(tensor, mean, std[, inplace])

使用均值和标准差归一化浮点张量图像。

pad(img, padding[, fill, padding_mode])

使用给定的“pad”值在给定图像的所有边上进行填充。

perspective(img, startpoints, endpoints[, ...])

执行给定图像的透视变换。

pil_to_tensor(pic)

将 PIL Image 转换为相同类型张量。

posterize(img, bits)

通过减少每个颜色通道的位数来海报化图像。

resize(img, size[, interpolation, max_size, ...])

将输入图像调整为给定大小。

resized_crop(img, top, left, height, width, size)

裁剪给定图像并将其调整为所需大小。

rgb_to_grayscale(img[, num_output_channels])

将 RGB 图像转换为图像的灰度版本。

rotate(img, angle[, interpolation, expand, ...])

将图像旋转角度。

solarize(img, threshold)

通过反转所有高于阈值的像素值，使 RGB/灰度图像曝光。

ten_crop(img, size[, vertical_flip])

从给定图像生成十个裁剪图像。

to_grayscale(img[, num_output_channels])

将任何模式（RGB、HSV、LAB 等）的 PIL 图像转换为图像的灰度版本。

to_pil_image(pic[, mode])

将张量或 ndarray 转换为 PIL 图像。

to_tensor(pic)

将 PIL Image 或 numpy.ndarray 转换为张量。

vflip(img)

垂直翻转给定的图像。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的答案

查看资源

为了分析流量并优化您的体验，我们在本网站上使用 cookie。点击或导航表示您同意我们使用 cookie。作为本网站的当前维护者，Facebook 的 Cookie 政策适用。了解详情，包括有关可用控制的信息：Cookie 政策。