RandomCrop

class torchvision.transforms.v2.RandomCrop(size: Union[int, Sequence[int]], padding: Optional[Union[int, Sequence[int]]] = None, pad_if_needed: bool = False, fill: Union[int, float, Sequence[int], Sequence[float], None, dict[Union[type, str], Union[int, float, collections.abc.Sequence[int], collections.abc.Sequence[float], NoneType]] = 0, padding_mode: Literal['constant', 'edge', 'reflect', 'symmetric'] = 'constant')

在随机位置裁剪输入。

如果输入是 torch.Tensor 或 TVTensor（例如 Image、Video、BoundingBoxes 等），它可以具有任意数量的前导批次维度。例如，图像可以具有 [..., C, H, W] 形状。边界框可以具有 [..., 4] 形状。

参数:

• size (sequence 或 int) – 裁剪的期望输出尺寸。如果 size 是一个整数而不是像 (h, w) 这样的序列，则会进行一个正方形裁剪 (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])。

• padding (int 或 sequence, optional) –

  在图像每个边界的可选填充，在裁剪前应用。默认为 None。如果提供单个 int，则将其用于填充所有边界。如果提供长度为 2 的序列，则分别为左/右和上/下的填充。如果提供长度为 4 的序列，则分别为左、上、右和下的边界填充。

  注意

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

• pad_if_needed (boolean, optional) – 如果图像小于所需尺寸，它将填充图像以避免引发异常。由于裁剪在填充之后进行，因此填充似乎是在随机偏移量处进行的。

• fill (number 或 tuple 或 dict, optional) – 当 padding_mode 为 constant 时使用的像素填充值。默认为 0。如果是一个长度为 3 的元组，则分别用于填充 R、G、B 通道。填充值也可以是映射数据类型到填充值的字典，例如 fill={tv_tensors.Image: 127, tv_tensors.Mask: 0}，其中 Image 将用 127 填充，Mask 将用 0 填充。

• padding_mode (str, optional) –

  填充类型。应为：constant、edge、reflect 或 symmetric。默认为 constant。

  • constant：用常数值填充，该值通过 fill 指定

  • edge: 使用图像边缘的最后一个值进行填充。

  • reflect：通过反射图像进行填充，但不重复边缘处的最后一个值。例如，在 reflect 模式下，将 [1, 2, 3, 4] 的两端各填充 2 个元素将导致 [3, 2, 1, 2, 3, 4, 3, 2]

  • symmetric：通过反射图像进行填充，重复边缘处的最后一个值。例如，在 symmetric 模式下，将 [1, 2, 3, 4] 的两端各填充 2 个元素将导致 [2, 1, 1, 2, 3, 4, 4, 3]

使用 RandomCrop 的示例

变换 v2 入门

变换 v2 入门

转换图示

转换图示

static get_params(img: Tensor, output_size: tuple[int, int]) → tuple[int, int, int, int]

获取随机裁剪的 crop 参数。

参数:

• img (PIL Image 或 Tensor) – 要裁剪的图像。

• output_size (tuple) – 裁剪的预期输出大小。

返回:

将传递给 crop 以进行随机裁剪的参数 (i, j, h, w)。

返回类型:

元组

make_params(flat_inputs: list[Any]) → dict[str, Any]

用于覆盖自定义变换的方法。

请参阅 如何编写自己的 v2 变换

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

用于覆盖自定义变换的方法。

请参阅 如何编写自己的 v2 变换