RandomResizedCrop¶

class torchvision.transforms.v2.RandomResizedCrop(size: Union[int, Sequence[int]], scale: tuple[float, float] = (0.08, 1.0), ratio: tuple[float, float] = (0.75, 1.3333333333333333), interpolation: Union[InterpolationMode, int] = InterpolationMode.BILINEAR, antialias: Optional[bool] = True)[源码]¶

裁剪输入图像的随机部分并将其调整为指定大小。

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，图像的形状可以是 [..., C, H, W]。边界框的形状可以是 [..., 4]。

从原始输入中裁剪一部分：裁剪的区域（高 * 宽）和长宽比是随机的。最后将此裁剪部分调整为指定大小。这通常用于训练 Inception 网络。

参数:

size (int 或 sequence) –
裁剪的预期输出大小，用于每个边缘。如果 size 是一个整数而不是序列（例如 (h, w)），则会生成一个正方形输出大小 (size, size)。如果提供长度为 1 的序列，则将其解释为 (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 (python:float 的 tuple, 可选) – 指定裁剪的随机区域的下界和上界，在调整大小之前。比例定义相对于原始图像的区域。
ratio (python:float 的 tuple, 可选) – 裁剪的随机长宽比的下界和上界，在调整大小之前。
interpolation (InterpolationMode, optional) – 由 torchvision.transforms.InterpolationMode 定义的期望的插值枚举。默认为 InterpolationMode.BILINEAR。如果输入是 Tensor，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。它仅影响双线性或双三次模式下的张量，否则将被忽略：在 PIL 图像上，双线性或双三次模式始终应用抗锯齿；在其他模式下（对于 PIL 图像和张量），抗锯齿没有意义，此参数将被忽略。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。这可能是您想要使用的。
- False：将不对任何模式下的张量应用抗锯齿。PIL 图像在双线性或双三次模式下仍然进行抗锯齿处理，因为 PIL 不支持无抗锯齿。
- None：对于张量相当于 False，对于 PIL 图像相当于 True。此值存在是为了兼容性，除非您真的知道自己在做什么，否则可能不希望使用它。
默认值在 v0.17 中从 None 更改为 True，以使 PIL 和 Tensor 后端保持一致。