操作符

torchvision.ops 实现了特定于计算机视觉的操作。

注意

所有运算符都原生支持TorchScript。

batched_nms(boxes, scores, idxs, iou_threshold)	以批量方式执行非最大抑制。
box_area(框)	计算一组边界框的面积，这些边界框通过其 (x1, y1, x2, y2) 坐标指定。
box_convert(boxes, in_fmt, out_fmt)	将框从给定的 in_fmt 转换为 out_fmt。
box_iou(边界框1, 边界框2)	返回两组框之间的交并比（雅卡尔指数）。
clip_boxes_to_image(框，大小)	将框裁剪到大小为size的图像内。
deform_conv2d(input, offset, weight[, bias, …])	执行可变形卷积v2，如可变形卷积网络v2：更可变形，更好结果中所述，如果mask不等于None；执行可变形卷积，如可变形卷积网络中所述，如果mask等于None。
generalized_box_iou(边界框1, 边界框2)	返回两组框之间的广义交并比（雅卡尔指数）。
generalized_box_iou_loss(boxes1, boxes2[, …])	原始实现来自 https://github.com/facebookresearch/fvcore/blob/bfff2ef/fvcore/nn/giou_loss.py
masks_to_boxes(掩码)	计算所提供掩码周围的边界框。
nms(边界框，分数，iou_threshold)	根据交并比（IoU）对框执行非最大值抑制（NMS）。
ps_roi_align(input, boxes, output_size[, …])	执行轻量级头部R-CNN中提到的位置敏感感兴趣区域（RoI）对齐操作。
ps_roi_pool(input, boxes, output_size[, …])	执行R-FCN中描述的位置敏感感兴趣区域（RoI）池化操作
remove_small_boxes(boxes, min_size)	移除至少有一边小于 min_size 的框。
roi_align(input, boxes, output_size[, …])	执行Mask R-CNN中描述的带平均池化的感兴趣区域（RoI）对齐操作。
roi_pool(input, boxes, output_size[, …])	执行Fast R-CNN中描述的兴趣区域（RoI）池化操作
sigmoid_focal_loss(inputs, targets[, alpha, …])	原始实现来自 https://github.com/facebookresearch/fvcore/blob/master/fvcore/nn/focal_loss.py .
stochastic_depth(input, p, mode[, training])	实现了来自“深度网络中的随机深度”用于随机丢弃残差架构的残差分支的随机深度。

RoIAlign(output_size, spatial_scale, …)	查看 roi_align()。
PSRoIAlign(output_size, spatial_scale, …)	查看 ps_roi_align()。
RoIPool(output_size, spatial_scale)	查看 roi_pool()。
PSRoIPool(output_size, spatial_scale)	查看 ps_roi_pool()。
DeformConv2d(in_channels, out_channels, …)	查看 deform_conv2d()。
MultiScaleRoIAlign(featmap_names, …)	多尺度RoIAlign池化，这对于使用或不使用FPN的检测都非常有用。
FeaturePyramidNetwork(in_channels_list, …)	在一组特征图之上添加FPN模块。
StochasticDepth(张量, 模式)	查看 stochastic_depth()。
FrozenBatchNorm2d(num_features, eps)	BatchNorm2d，其中批量统计信息和仿射参数是固定的
SqueezeExcitation(input_channels, …)	此块实现了来自https://arxiv.org/abs/1709.01507 的Squeeze-and-Excitation块（见图。