目录
目录

变换和增强图像

Torchvision 在 和 模块中支持常见的计算机视觉转换。变换 可用于转换或增强数据，以便训练或推断不同的 任务（图像分类、检测、分割、视频分类）。torchvision.transformstorchvision.transforms.v2

# 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})

转换通常作为 or 参数传递 到 Datasets。transformtransforms

从这里开始

无论您是 Torchvision 转换的新手，还是已经有 Torchvision 转换的经验 他们，我们鼓励您从 中的 Transforms v2 入门开始 以了解有关新 v2 转换可以执行哪些操作的更多信息。

然后，浏览本页下方的部分以获取一般信息和 性能提示。API 参考中列出了可用的转换和功能。

更多信息和教程也可以在我们的示例库中找到，例如转换 v2：端到端对象检测/分割示例或如何编写您自己的 v2 转换。

支持的输入类型和约定

大多数转换都接受 PIL 图像 和 Tensor Inputs。支持 CPU 和 CUDA 张量。 两个后端（PIL 或 Tensors）的结果都应该非常 关闭。一般来说，我们建议依赖张量后端 性能。转换变换可用于与 PIL 图像相互转换，或 转换 dtype 和 ranges。

Tensor 图像的形状应为 ，其中 是 通道数，以及 和 指的是 height 和 width。最 转换支持批量张量输入。一批 Tensor 图像是 shape ，其中 是批次中的图像数量。v2 转换通常接受任意数量的前导 维度，并且可以处理批量图像或批量视频。(C, H, W)CHW(N, C, H, W)N(..., C, H, W)

Dtype 和期望值范围

张量图像值的预期范围由 张量 dtype 。具有 float dtype 的 Tensor 图像应具有 中的 值。具有整数 dtype 的张量图像应为 在其中 是最大值 可以用该 DTYPE 表示。通常，dtype 的图像应具有 中的值。[0, 1][0, MAX_DTYPE]MAX_DTYPEtorch.uint8[0, 255]

用于将 dtype 和 范围。

V1 还是 V2？我应该使用哪一个？

TL;DR：我们建议使用转换 而不是 .他们更快，而且他们可以做到 更多的东西。只需更改导入，您就可以开始了。移动 向前看，新功能和改进将仅考虑用于 v2 变换。torchvision.transforms.v2torchvision.transforms

在 Torchvision 0.15（2023 年 3 月）中，我们发布了一组新的可用转换 在 namespace 中。这些转换有很多 与 V1 相比的优势 （IN）：torchvision.transforms.v2torchvision.transforms

这些转换与 v1 转换完全向后兼容，因此如果 您已经在使用 TransForms From ，只需 do to 是将导入更新为 。就 output，由于实现差异，可能存在可以忽略不计的差异。torchvision.transformstorchvision.transforms.v2

性能注意事项

我们建议遵循以下准则，以充分利用 变换：

  • 依赖 v2 转换torchvision.transforms.v2

  • 使用张量而不是 PIL 图像

  • 使用 dtype，尤其是用于调整大小torch.uint8

  • 使用 bilinear 或 bicubic 模式调整大小

典型的转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]),
])

以上应该会在典型的训练环境中为您提供最佳性能 这依赖于 with 。num_workers > 0

转换往往对输入步幅/内存格式敏感。一些 通道优先图像的转换速度会更快，而其他人则更喜欢 channels-last 的与运算符一样，大多数转换将保留 memory 格式，但这可能并不总是被遵守，因为 实现细节。如果您正在追求 非常好的性能。对单个转换使用 还有助于分解 memory format 变量（例如 on ）。请注意，我们谈论的是内存格式，而不是张量形状。torch

请注意，调整大小转换类似于 和 通常首选 channels-last 输入，并且往往不会从 AT 中受益 这一次。

转换类、函数和内核

转换可以作为类（如 ）使用，但也可用作函数（如命名空间中）。 这非常类似于定义两个类的包 和 中的函数等效项。torchvision.transforms.v2.functional

函数支持 PIL 图像、纯张量或 TVTensor，例如 both 和 are 有效。resize(image_tensor)resize(boxes)

注意

像 will 这样的随机转换 每次调用时随机采样一些参数。它们的功能 Counterpart （） 不执行 任何类型的随机采样，因此具有轻微的差异 参数。transforms 类的 class 方法 可用于在使用功能 API 时执行参数采样。get_params()

命名空间还包含我们 调用 “kernels”。这些是实现 特定类型的核心功能，例如 或。它们是公开的，尽管没有记录。检查代码以查看哪些可用（请注意，那些以 下划线不是公开的！只有当你希望 torchscript 支持像 bounding 这样的类型时，内核才真正有用 框或掩码。torchvision.transforms.v2.functionalresize_bounding_boxes`resized_crop_mask

Torchscript 支持

大多数 transform 类和函数都支持 torchscript。用于合成 transforms，请使用 ，而不是 ：

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 转换支持 TorchScript，但如果你调用 一个 v2 类转换，你实际上最终会得到它的（脚本化的）v1 等效。这可能会导致 由于 v1 之间的实现差异而导致的脚本化和 Eager 执行 和 v2.torch.jit.script()

如果您确实需要 v2 转换的 torchscript 支持，我们建议 从命名空间编写函数脚本以避免意外。torchvision.transforms.v2.functional

另请注意，函数仅支持纯张量的 torchscript，这 始终被视为图像。如果您需要其他类型的 torchscript 支持 与边界框或掩码一样，您可以依赖低级内核。

对于任何要与 一起使用的自定义转换，它们应该 从 派生自 。torch.jit.scripttorch.nn.Module

另请参阅： Torchscript 支持。

V1 API 参考

几何学

（大小[， 插值， max_size， ...]）

将输入图像的大小调整为给定的大小。

（大小[， 内边距， pad_if_needed， ...]）

在随机位置裁剪给定的图像。

（大小[、比例、比例、...]）

裁剪图像的随机部分并将其调整为给定大小。

（尺寸）

在中心裁剪给定的图像。

（尺寸）

将给定的图像裁剪为四个角，并进行中央裁剪。

（大小[， vertical_flip]）

将给定的图像裁剪为四个角，并将中心裁剪加上这些角的翻转版本（默认使用水平翻转）。

（填充 [， 填充， padding_mode]）

用给定的 “pad” 值在给定的图像的所有侧面填充。

（度[， 插值， ...]）

按角度旋转图像。

（度[， 平移， 刻度， ...]）

图像的随机仿射变换保持中心不变。

（[distortion_scale， p， ...]）

以给定的概率对给定图像执行随机透视变换。

（[alpha， sigma， ...]）

使用弹性变换变换张量图像。

（[p]）

以给定的概率随机水平翻转给定的图像。

（[p]）

以给定的概率随机垂直翻转给定的图像。

颜色

（[亮度、对比度、...]）

随机更改图像的亮度、对比度、饱和度和色相。

（[num_output_channels]）

将图像转换为灰度。

（[p]）

将图像随机转换为灰度，概率为 p（默认为 0.1）。

（kernel_size[， 西格玛]）

使用随机选择的高斯模糊来模糊图像。

（[p]）

以给定的概率随机反转给定图像的颜色。

（位 [， p]）

通过减少每个颜色通道的位数，以给定的概率随机色调分离图像。

（阈值 [， p]）

通过反转高于阈值的所有像素值，以给定的概率随机曝光图像。

（sharpness_factor[， p]）

以给定的概率随机调整图像的清晰度。

（[p]）

以给定的概率随机自动对比给定图像的像素。

（[p]）

以给定的概率随机均衡给定图像的直方图。

组成

（变换）

将多个转换组合在一起。

（转换 [， p]）

随机应用具有给定概率的转换列表。

（转换 [， p]）

应用从列表中随机选取的单个转换。

（变换）

以随机顺序应用转换列表。

杂项

（transformation_matrix，......

使用方变换矩阵和离线计算的mean_vector变换张量图像。

（平均值， std[， 原位]）

使用平均值和标准差对张量图像进行归一化。

（[p， scale， ratio， value， inplace]）

在Torch中随机选择一个矩形区域。Tensor 图像并擦除其像素。

（lambd）

将用户定义的 lambda 应用为转换。

转换

注意

请注意，下面的一些转换转换将缩放值 在执行转换时，虽然有些可能不会进行任何缩放。由 缩放，我们的意思是，例如 -> 会将 [0， 255] 范围转换为 [0， 1]（反之亦然）。请参阅 Dtype 和预期值范围。uint8float32

（[模式]）

将 tensor 或 ndarray 转换为 PIL 图像

ToTensor()

将 PIL Image 或 ndarray 转换为 tensor 并相应地缩放值。

PILToTensor()

将 PIL 图像转换为相同类型的张量 - 这不会缩放值。

（dtype）

将张量图像转换为给定的值并相应地缩放值。dtype

自动增强

AutoAugment 是一种常见的数据增强技术，可以提高图像分类模型的准确性。 尽管数据增强策略与他们训练的数据集直接相关，但实证研究表明， ImageNet 策略在应用于其他数据集时提供了显著的改进。 在 TorchVision 中，我们实施了在以下数据集上学习的 3 个策略： ImageNet 、 CIFAR10 和 SVHN 。 新转换可以独立使用，也可以与现有转换混合使用：

（值）

AutoAugment 策略在不同的数据集上学习。

（[策略、插值、填充]）

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

（[num_ops， 星等， ...]）

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

（[num_magnitude_bins， ...]）

使用 TrivialAugment Wide 进行独立于数据集的数据增强，如 “TrivialAugment： Tuning-free Yet State-of-the-Art Data Augmentation” 中所述。

（[严重性， mixture_width， ...]）

基于“AugMix：一种提高稳健性和不确定性的简单数据处理方法”的 AugMix 数据增强方法。

函数转换

（img， brightness_factor）

调整图像的亮度。

（img， contrast_factor）

调整图像的对比度。

（img， gamma[， 增益]）

对图像执行 Gamma 校正。

（img， hue_factor）

调整图像的色相。

（img， saturation_factor）

调整图像的颜色饱和度。

（img， sharpness_factor）

调整图像的清晰度。

（图像、角度、平移、缩放、剪切）

对图像应用仿射变换，保持图像中心不变。

（图片）

通过重新映射每个通道的像素来最大化图像的对比度，使最低的像素变为黑色，最亮的像素变为白色。

（img， output_size）

在中心裁剪给定的图像。

（image[， dtype]）

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

（img、上、左、高、宽）

在指定位置和输出大小裁剪给定图像。

（图片）

通过对输入应用非线性映射来均衡图像的直方图，以便在输出中创建灰度值的均匀分布。

（img， i， j， h， w， v[， 原位]）

擦除具有给定值的输入 Tensor Image。

（img， 大小）

将给定的图像裁剪为四个角，并进行中央裁剪。

（img， kernel_size[， sigma]）

通过给定内核对图像执行高斯模糊

（图片）

将图像的尺寸返回为 [channels， height， width]。

（图片）

返回图像的通道数。

（图片）

将图像的大小返回为 [width， height]。

（图片）

水平翻转给定的图像。

（图片）

反转 RGB/灰度图像的颜色。

（张量、平均值、std[、原位]）

使用平均值和标准差对浮点张量图像进行归一化。

（img， padding[， fill， padding_mode]）

用给定的 “pad” 值在给定的图像的所有侧面填充。

（img， startpoints， endpoints[， ...]）

执行给定图像的透视变换。

（图片）

将 a 转换为相同类型的张量。PIL Image

（img，比特）

通过减少每个颜色通道的位数来色调分离图像。

（img， size[， 插值， max_size， ...]）

将输入图像的大小调整为给定的大小。

（img、top、left、height、width、size）

裁剪给定的图像并将其调整为所需的大小。

（img[， num_output_channels]）

将 RGB 图像转换为图像的灰度版本。

（img， angle[， 插值， 扩展， ...]）

按角度旋转图像。

（img， 阈值）

通过反转高于阈值的所有像素值来使 RGB/灰度图像曝光。

（img， 大小[， vertical_flip]）

从给定图像生成 10 张裁剪图像。

（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。

（pic[， 模式]）

将 tensor 或 ndarray 转换为 PIL 图像。

（图片）

将 or 转换为 tensor。PIL Imagenumpy.ndarray

（图片）

垂直翻转给定的图像。

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并解答您的问题

查看资源