ScaleJitter

class torchvision.transforms.v2.ScaleJitter(target_size: tuple[int, int], scale_range: tuple[float, float] = (0.1, 2.0), interpolation: Union[InterpolationMode, int] = InterpolationMode.BILINEAR, antialias: Optional[bool] = True)

根據 “Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation” 對輸入執行大規模抖動。

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處理維度。例如，影像的形狀可以是 [..., C, H, W]。邊界框的形狀可以是 [..., 4]。

引數:

• target_size (tuple of python:int) – 目標大小。此引數定義了抖動的基礎比例，例如 min(target_size[0] / width, target_size[1] / height)。

• scale_range (tuple of python:float, optional) – 比例範圍的最小值和最大值。預設為 (0.1, 2.0)。

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

• antialias (bool, optional) –

  是否應用抗鋸齒。它僅影響雙線性或雙三次模式下的張量，否則將被忽略：在 PIL 影像上，雙線性或雙三次模式始終應用抗鋸齒；在其他模式下（對於 PIL 影像和張量），抗鋸齒沒有意義，此引數將被忽略。可能的值為

  • True (預設)：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：將不對任何模式下的張量應用抗鋸齒。PIL 影像在雙線性或雙三次模式下仍然進行抗鋸齒處理，因為 PIL 不支援無抗鋸齒。

  • None：對於張量相當於 False，對於 PIL 影像相當於 True。此值存在是為了相容性，除非您真的知道自己在做什麼，否則可能不希望使用它。

  預設值在 v0.17 中從 None 更改為 True，以使 PIL 和 Tensor 後端保持一致。

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