RandomCrop

class torchvision.transforms.v2.RandomCrop(size: Union[int, Sequence[int]], padding: Optional[Union[int, Sequence[int]]] = None, pad_if_needed: bool = False, fill: Union[int, float, Sequence[int], Sequence[float], None, dict[Union[type, str], Union[int, float, collections.abc.Sequence[int], collections.abc.Sequence[float], NoneType]] = 0, padding_mode: Literal['constant', 'edge', 'reflect', 'symmetric'] = 'constant')

在隨機位置裁剪輸入。

如果輸入是 torch.Tensor 或 TVTensor（例如 Image、Video、BoundingBoxes 等），它可以具有任意數量的前導批次維度。例如，影像可以具有 [..., C, H, W] 形狀。邊界框可以具有 [..., 4] 形狀。

引數:

• size (sequence 或 int) – 裁剪的期望輸出尺寸。如果 size 是一個整數而不是像 (h, w) 這樣的序列，則會進行一個正方形裁剪 (size, size)。如果提供一個長度為 1 的序列，它將被解釋為 (size[0], size[0])。

• padding (int 或 sequence, optional) –

  在影像每個邊界的可選填充，在裁剪前應用。預設為 None。如果提供單個 int，則將其用於填充所有邊界。如果提供長度為 2 的序列，則分別為左/右和上/下的填充。如果提供長度為 4 的序列，則分別為左、上、右和下的邊界填充。

  注意

  在 torchscript 模式下，不支援將 padding 作為單個 int，請使用長度為 1 的序列：[padding, ]。

• pad_if_needed (boolean, optional) – 如果影像小於所需尺寸，它將填充影像以避免引發異常。由於裁剪在填充之後進行，因此填充似乎是在隨機偏移量處進行的。

• fill (number 或 tuple 或 dict, optional) – 當 padding_mode 為 constant 時使用的畫素填充值。預設為 0。如果是一個長度為 3 的元組，則分別用於填充 R、G、B 通道。填充值也可以是對映資料型別到填充值的字典，例如 fill={tv_tensors.Image: 127, tv_tensors.Mask: 0}，其中 Image 將用 127 填充，Mask 將用 0 填充。

• padding_mode (str, optional) –

  填充型別。應為：constant、edge、reflect 或 symmetric。預設為 constant。

  • constant：用常數值填充，該值透過 fill 指定

  • edge: 使用影像邊緣的最後一個值進行填充。

  • reflect：透過反射影像進行填充，但不重複邊緣處的最後一個值。例如，在 reflect 模式下，將 [1, 2, 3, 4] 的兩端各填充 2 個元素將導致 [3, 2, 1, 2, 3, 4, 3, 2]

  • symmetric：透過反射影像進行填充，重複邊緣處的最後一個值。例如，在 symmetric 模式下，將 [1, 2, 3, 4] 的兩端各填充 2 個元素將導致 [2, 1, 1, 2, 3, 4, 4, 3]

使用 RandomCrop 的示例

變換 v2 入門

變換 v2 入門

轉換圖示

轉換圖示

static get_params(img: Tensor, output_size: tuple[int, int]) → tuple[int, int, int, int]

獲取隨機裁剪的 crop 引數。

引數:

• img (PIL Image 或 Tensor) – 要裁剪的影像。

• output_size (tuple) – 裁剪的預期輸出大小。

返回:

將傳遞給 crop 以進行隨機裁剪的引數 (i, j, h, w)。

返回型別:

元組

make_params(flat_inputs: list[Any]) → dict[str, Any]

用於覆蓋自定義變換的方法。

請參閱 如何編寫自己的 v2 變換

transform(inpt: Any, params: dict[str, Any]) → Any

用於覆蓋自定義變換的方法。

請參閱 如何編寫自己的 v2 變換