RandomIoUCrop

類 torchvision.transforms.v2.RandomIoUCrop(min_scale: float = 0.3, max_scale: float = 1.0, min_aspect_ratio: float = 0.5, max_aspect_ratio: float = 2.0, sampler_options: Optional[List[float]] = None, trials: int = 40)

來自 “SSD: Single Shot MultiBox Detector” 的隨機 IoU 裁剪變換。

此變換要求輸入包含影像或影片資料以及 tv_tensors.BoundingBoxes。

警告

為了正確移除 IoU 閾值以下的邊界框，RandomIoUCrop 之後必須緊跟 SanitizeBoundingBoxes，無論是在其之後立即執行還是在變換管道的後續步驟中執行。

如果輸入是 torch.Tensor 或 TVTensor (例如 Image、Video、BoundingBoxes 等)，它可以有任意數量的前置批處理維度。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：

• min_scale (float, 可選) – 縮放輸入尺寸的最小因子。

• max_scale (float, 可選) – 縮放輸入尺寸的最大因子。

• min_aspect_ratio (float, 可選) – 裁剪後的影像或影片的最小縱橫比。

• max_aspect_ratio (float, 可選) – 裁剪後的影像或影片的最大縱橫比。

• sampler_options (python:float 的列表, 可選) – 所有邊界框與裁剪後的影像或影片之間的最小 IoU (Jaccard) 重疊列表。預設值為 None，對應於 [0.0, 0.1, 0.3, 0.5, 0.7, 0.9, 1.0]

• trials (int, 可選) – 為給定最小 IoU (Jaccard) 重疊值尋找裁剪區域的嘗試次數。預設值為 40。

使用 RandomIoUCrop 的示例

變換 v2：端到端物件檢測/分割示例

變換 v2：端到端物件檢測/分割示例

make_params(flat_inputs: List[Any]) → Dict[str, Any]

自定義變換要覆蓋的方法。

請參閱 如何編寫自己的 v2 變換

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

自定義變換要覆蓋的方法。

請參閱 如何編寫自己的 v2 變換