RandomResizedCrop

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

裁剪影像的隨機部分並將其縮放到給定尺寸。

如果影像是 torch Tensor，則其形狀應為 […, H, W]，其中 … 表示任意數量的前導維度

對原始影像進行裁剪：裁剪區域具有隨機面積 (H * W) 和隨機縱橫比。最終將此裁剪區域縮放到給定尺寸。這通常用於訓練 Inception 網路。

引數:

• size (int 或 sequence) –

  裁剪後期望的輸出尺寸，適用於每個邊緣。如果 size 是 int 而不是 sequence（如 (h, w)），則會生成一個方形輸出尺寸 (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 (python:float 元組) – 指定裁剪前隨機區域的下限和上限。縮放比例是相對於原始影像的面積定義的。

• ratio (python:float 元組) – 指定裁剪前隨機縱橫比的下限和上限。

• interpolation (InterpolationMode) – 由 torchvision.transforms.InterpolationMode 定義的期望插值模式列舉。預設為 InterpolationMode.BILINEAR。如果輸入是 Tensor，只支援 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, 可選) –

  是否應用抗鋸齒。它隻影響雙線性或雙三次模式的 tensors，否則將被忽略：對於 PIL 影像，抗鋸齒始終應用於雙線性或雙三次模式；對於其他模式（PIL 影像和 tensors），抗鋸齒沒有意義，此引數將被忽略。可能的值有

  • True (預設): 將對抗鋸齒應用於雙線性或雙三次模式。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 tensors 應用抗鋸齒。PIL 影像在雙線性或雙三次模式下仍然會應用抗鋸齒，因為 PIL 不支援無抗鋸齒。

  • None: 對於 tensors 等同於 False，對於 PIL 影像等同於 True。此值是出於歷史原因而存在，除非您非常清楚自己在做什麼，否則可能不應使用它。

  為了使 PIL 和 Tensor 後端保持一致，在 v0.17 中，預設值從 None 更改為 True。

使用 RandomResizedCrop 的示例

如何編寫自己的 v2 變換

如何編寫自己的 v2 變換

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

變換 v2 入門

變換 v2 入門

變換示例

變換示例

forward(img)

引數:

img (PIL Image 或 Tensor) – 要裁剪和縮放的影像。

返回:

隨機裁剪和縮放後的影像。

返回型別:

PIL Image 或 Tensor

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

獲取 crop 用於隨機大小裁剪的引數。

引數:

• img (PIL Image 或 Tensor) – 輸入影像。

• scale (list) – 裁剪前原始尺寸的縮放範圍

• ratio (list) – 裁剪前原始縱橫比的範圍

返回:

params (i, j, h, w)，將傳遞給 crop 用於隨機大小裁剪。

返回型別:

tuple