开始使用 transforms v2¶

注意

尝试在 Colab 或转到末尾下载完整的示例代码。

这个例子展示了开始使用新的torchvision.transforms.v2 API所需了解的所有内容。我们将涵盖简单的任务，如图像分类，以及更高级的任务，如目标检测/分割。

首先，进行一些设置

from pathlib import Path
import torch
import matplotlib.pyplot as plt
plt.rcParams["savefig.bbox"] = 'tight'

from torchvision.transforms import v2
from torchvision.io import decode_image

torch.manual_seed(1)

# If you're trying to run that on Colab, you can download the assets and the
# helpers from https://github.com/pytorch/vision/tree/main/gallery/
from helpers import plot
img = decode_image(str(Path('../assets') / 'astronaut.jpg'))
print(f"{type(img) = }, {img.dtype = }, {img.shape = }")

type(img) = <class 'torch.Tensor'>, img.dtype = torch.uint8, img.shape = torch.Size([3, 512, 512])

基础¶

Torchvision 的 transforms 行为类似于常规的 torch.nn.Module（事实上，它们中的大多数都是）：实例化一个 transform，传递一个输入，获取一个转换后的输出：

transform = v2.RandomCrop(size=(224, 224))
out = transform(img)

plot([img, out])

我只想做图像分类¶

如果你只关心图像分类，事情就非常简单。一个基本的分类流程可能看起来像这样：

transforms = v2.Compose([
    v2.RandomResizedCrop(size=(224, 224), antialias=True),
    v2.RandomHorizontalFlip(p=0.5),
    v2.ToDtype(torch.float32, scale=True),
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
out = transforms(img)

plot([img, out])

这种转换管道通常作为transform参数传递给数据集，例如ImageNet(..., transform=transforms)。

差不多就这些了。从这里开始，阅读我们的主要文档以了解更多关于推荐实践和约定的信息，或者探索更多示例，例如如何使用增强变换如CutMix和MixUp。

注意

如果您已经在使用torchvision.transforms v1 API，我们建议您切换到新的v2 transforms。这非常容易： v2 transforms与v1 API完全兼容，因此您只需要更改导入即可！

检测、分割、视频¶

新的Torchvision变换在torchvision.transforms.v2命名空间中支持图像分类之外的任务：它们还可以变换边界框、分割/检测掩码或视频。

让我们简要看一下带有边界框的检测示例。

from torchvision import tv_tensors  # we'll describe this a bit later, bare with us

boxes = tv_tensors.BoundingBoxes(
    [
        [15, 10, 370, 510],
        [275, 340, 510, 510],
        [130, 345, 210, 425]
    ],
    format="XYXY", canvas_size=img.shape[-2:])

transforms = v2.Compose([
    v2.RandomResizedCrop(size=(224, 224), antialias=True),
    v2.RandomPhotometricDistort(p=1),
    v2.RandomHorizontalFlip(p=1),
])
out_img, out_boxes = transforms(img, boxes)
print(type(boxes), type(out_boxes))

plot([(img, boxes), (out_img, out_boxes)])

<class 'torchvision.tv_tensors._bounding_boxes.BoundingBoxes'> <class 'torchvision.tv_tensors._bounding_boxes.BoundingBoxes'>

上面的例子主要关注对象检测。但如果我们有用于对象分割或语义分割的掩码 (torchvision.tv_tensors.Mask)，或者视频 (torchvision.tv_tensors.Video)，我们可以以完全相同的方式将它们传递给变换。

到目前为止，你可能会有几个问题：这些TVTensors是什么，我们如何使用它们，以及这些变换的预期输入/输出是什么？我们将在接下来的部分中回答这些问题。

什么是TVTensors？¶

TVTensors是torch.Tensor的子类。可用的TVTensors包括 Image, BoundingBoxes, Mask, 和 视频。

TVTensors 看起来和感觉就像普通的张量 - 它们就是张量。所有在普通 torch.Tensor 上支持的操作，比如 .sum() 或任何 torch.* 操作符，也都可以在 TVTensor 上使用：

img_dp = tv_tensors.Image(torch.randint(0, 256, (3, 256, 256), dtype=torch.uint8))

print(f"{isinstance(img_dp, torch.Tensor) = }")
print(f"{img_dp.dtype = }, {img_dp.shape = }, {img_dp.sum() = }")

isinstance(img_dp, torch.Tensor) = True
img_dp.dtype = torch.uint8, img_dp.shape = torch.Size([3, 256, 256]), img_dp.sum() = tensor(25087958)

这些TVTensor类是转换的核心：为了转换给定的输入，转换首先查看对象的类，然后相应地分派到适当的实现。

此时您不需要对TVTensors了解太多，但想要了解更多的高级用户可以参考 TVTensors 常见问题。

我应该传递什么作为输入？¶

在上面，我们已经看到了两个例子：一个是我们传递了一张图片作为输入，即 out = transforms(img)，另一个是我们同时传递了一张图片和边界框，即 out_img, out_boxes = transforms(img, boxes)。

事实上，转换支持任意输入结构。输入可以是单个图像、元组、任意嵌套的字典……几乎任何东西。相同的结构将作为输出返回。下面，我们使用相同的检测转换，但传递一个元组（image, target_dict）作为输入，并且我们得到了相同的结构作为输出：

target = {
    "boxes": boxes,
    "labels": torch.arange(boxes.shape[0]),
    "this_is_ignored": ("arbitrary", {"structure": "!"})
}

# Re-using the transforms and definitions from above.
out_img, out_target = transforms(img, target)

plot([(img, target["boxes"]), (out_img, out_target["boxes"])])
print(f"{out_target['this_is_ignored']}")

('arbitrary', {'structure': '!'})

我们传递了一个元组，所以我们得到了一个元组返回，第二个元素是转换后的目标字典。转换并不真正关心输入的结构；如上所述，它们只关心对象的类型并相应地转换它们。

外部对象如字符串或整数会直接传递。这在调试时非常有用，例如，如果你想为每个样本关联一个路径！

注意

免责声明 本说明稍微高级一些，初次阅读时可以安全跳过。

纯torch.Tensor对象通常被视为图像（或对于特定视频的变换被视为视频）。确实，你可能已经注意到在上面的代码中我们根本没有使用Image类，但我们的图像仍然得到了正确的变换。变换遵循以下逻辑来确定纯张量是否应被视为图像（或视频），或者只是被忽略：

如果输入中存在Image、 Video、或PIL.Image.Image实例，所有其他纯张量将被传递。
如果没有Image或 Video实例，只有第一个纯 torch.Tensor会被转换为图像或视频，而所有其他内容将直接通过。这里的“第一个”指的是“深度优先遍历中的第一个”。

这是在上面的检测示例中发生的情况：第一个纯张量是图像，因此它被正确转换了，而所有其他纯张量实例（如labels）都被传递了（尽管标签仍然可以通过一些转换进行转换，例如SanitizeBoundingBoxes！）。

转换和数据集互操作性¶

大致来说，数据集的输出必须与转换的输入相对应。如何做到这一点取决于您使用的是torchvision的内置数据集，还是您自己的自定义数据集。

使用内置数据集¶

如果你只是进行图像分类，你不需要做任何事情。只需使用数据集的transform参数，例如ImageNet(..., transform=transforms)，你就可以开始了。

Torchvision 还支持用于目标检测或分割的数据集，例如 torchvision.datasets.CocoDetection。这些数据集在 torchvision.transforms.v2 模块和 TVTensors 存在之前就已经存在，因此它们不会直接返回 TVTensors。

强制这些数据集返回TVTensors并使它们与v2转换兼容的简单方法是使用 torchvision.datasets.wrap_dataset_for_transforms_v2() 函数：

from torchvision.datasets import CocoDetection, wrap_dataset_for_transforms_v2

dataset = CocoDetection(..., transforms=my_transforms)
dataset = wrap_dataset_for_transforms_v2(dataset)
# Now the dataset returns TVTensors!

使用您自己的数据集¶

如果您有一个自定义数据集，那么您需要将您的对象转换为适当的TVTensor类。创建TVTensor实例非常简单，更多详情请参考如何构建TVTensor？。

有两个主要的地方可以实现该转换逻辑：

在数据集的__getitem__方法结束时，返回样本之前（或通过子类化数据集）。
作为转换管道的第一步

无论哪种方式，逻辑都将取决于您的特定数据集。

脚本总运行时间： (0 分钟 0.792 秒)

Gallery generated by Sphinx-Gallery