RandomResizedCrop

class torchvision.transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.3333333333333333), interpolation=InterpolationMode.BILINEAR, antialias: Optional[bool] = True)

裁剪圖像的隨機部分，並將其調整為給定大小。

如果圖像為 torch Tensor，則預期具有 […, H, W] 形狀，其中 … 表示任意數量的 leading 維度

產生原始圖像的裁剪：裁剪具有隨機面積 (H * W) 和隨機長寬比。最後將此裁剪調整為給定大小。這通常用於訓練 Inception 網路。

參數:

• size (int 或 sequence) –

  每個邊緣的裁剪預期輸出大小。如果 size 是 int 而不是像 (h, w) 這樣的 sequence，則會產生一個正方形輸出大小 (size, size)。如果提供長度為 1 的 sequence，則將其解釋為 (size[0], size[0])。

  注意

  在 torchscript 模式下，不支援將 size 作為單個 int，請使用長度為 1 的 sequence：[size, ]。

• scale (tuple of python:float) – 指定調整大小之前，裁剪的隨機面積的下限和上限。scale 是根據原始圖像的面積定義的。

• ratio (tuple of python:float) – 調整大小之前，裁剪的隨機長寬比的下限和上限。

• interpolation (InterpolationMode) – 期望的插值列舉，由 torchvision.transforms.InterpolationMode 定義。預設值為 InterpolationMode.BILINEAR。 如果輸入為 Tensor，則僅支援 InterpolationMode.NEAREST、InterpolationMode.NEAREST_EXACT、InterpolationMode.BILINEAR 和 InterpolationMode.BICUBIC。 也接受相應的 Pillow 整數常數，例如 PIL.Image.BILINEAR。

• antialias (bool, optional) –

  是否應用抗鋸齒。 它僅影響具有雙線性或雙三次模式的 tensors，否則會被忽略：在 PIL 圖片上，抗鋸齒始終應用於雙線性或雙三次模式；在其他模式（對於 PIL 圖片和 tensors）下，抗鋸齒沒有意義，並且此參數會被忽略。 可能的值為：

  • True (預設值)：將對雙線性或雙三次模式應用抗鋸齒。 其他模式不受影響。 這可能是您想要使用的。

  • False：將不會對任何模式下的 tensors 應用抗鋸齒。 PIL 圖片仍然在雙線性或雙三次模式下進行抗鋸齒處理，因為 PIL 不支援不使用抗鋸齒。

  • None：等同於 tensors 的 False 和 PIL 圖片的 True。 此值因歷史原因而存在，除非您真的知道自己在做什麼，否則您可能不想使用它。

  在 v0.17 中，預設值從 None 變更為 True，以使 PIL 和 Tensor 後端保持一致。

使用 RandomResizedCrop 的範例

Transforms v2 入門

Transforms v2 入門

Transforms 說明

Transforms 說明

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

如何編寫您自己的 v2 transforms

如何編寫您自己的 v2 transforms

forward(img)

參數:

img (PIL Image 或 Tensor) – 要裁剪和調整大小的圖片。

返回值:

隨機裁剪和調整大小的圖片。

返回類型:

PIL Image 或 Tensor

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

獲取隨機大小裁剪的 crop 的參數。

參數:

• img (PIL Image 或 Tensor) – 輸入圖片。

• scale (list) – 裁剪的原始大小的比例範圍

• ratio (list) – 裁剪的原始長寬比的範圍

返回值:

要傳遞給 crop 以進行隨機大小裁剪的參數 (i, j, h, w)。

返回類型:

元組