随机调整大小裁剪

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

裁剪图像的随机部分并将其调整为给定大小。

如果图像是 torch Tensor，则期望具有 […, H, W] 形状，其中 … 表示任意数量的前导维度

对原始图像进行裁剪：裁剪区域具有随机面积（H * W）和随机宽高比。最后将此裁剪区域调整为给定大小。这种方法通常用于训练Inception网络。

Parameters:

• size (int 或 sequence) –

  裁剪的预期输出大小，针对每个边缘。如果 size 是一个整数而不是像 (h, w) 这样的序列，则会生成一个正方形输出大小 (size, size)。如果提供一个长度为 1 的序列，它将被解释为 (size[0], size[0])。

  注意

  在 torchscript 模式下，不支持将 size 作为单个整数，请使用长度为 1 的序列：[size, ]。

• scale (tuple of python:float) – 指定裁剪随机区域的下限和上限，在调整大小之前。该比例是相对于原始图像的面积定义的。

• ratio (python:float 的元组) – 在调整大小之前，裁剪的随机宽高比的下限和上限。

• 插值 (InterpolationMode) – 由torchvision.transforms.InterpolationMode定义的所需插值枚举。默认值为InterpolationMode.BILINEAR。 如果输入是张量，则仅支持InterpolationMode.NEAREST、InterpolationMode.NEAREST_EXACT、 InterpolationMode.BILINEAR和InterpolationMode.BICUBIC。 也接受相应的Pillow整数常量，例如PIL.Image.BILINEAR。

• antialias (bool, optional) –

  是否应用抗锯齿。 它只影响具有双线性或双三次模式的张量，否则会被忽略：在PIL图像上，双线性或双三次模式总是应用抗锯齿；在其他模式（对于PIL图像和张量）上，抗锯齿没有意义，此参数会被忽略。 可能的值为：

  • True (默认): 将对双线性或双三次模式应用抗锯齿。 其他模式不受影响。这可能是你想要使用的。

  • False: 不会对任何模式的张量应用抗锯齿。PIL 图像在双线性或双三次模式下仍然应用抗锯齿，因为 PIL不支持无抗锯齿。

  • None: 对于张量等同于False，对于 PIL图像等同于True。此值存在是为了兼容旧版本，除非你确实知道自己在做什么，否则你可能不想使用它。

  默认值在v0.17版本中从None更改为True，以使PIL和Tensor后端保持一致。

使用 RandomResizedCrop 的示例：

开始使用 transforms v2

Getting started with transforms v2

变换的图示

Illustration of transforms

如何使用CutMix和MixUp

How to use CutMix and MixUp

如何编写自己的v2转换

How to write your own v2 transforms

forward(img)

Parameters:

img (PIL Image 或 Tensor) – 需要裁剪和调整大小的图像。

Returns:

随机裁剪和调整大小的图像。

Return type:

PIL 图像或张量

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

获取用于随机大小裁剪的crop参数。

Parameters:

• img (PIL Image 或 Tensor) – 输入图像。

• scale (list) – 裁剪原始尺寸的比例范围

• ratio (list) – 原始宽高比裁剪的宽高比范围

Returns:

传递给 crop 的参数 (i, j, h, w) 用于随机大小的裁剪。

Return type:

tuple