快捷方式

关键点

class torchvision.tv_tensors.KeyPoints(data: Any, *, canvas_size: tuple[int, int], dtype: Optional[dtype] = None, device: Optional[Union[device, str, int]] = None, requires_grad: Optional[bool] = None)[源代码]

形状为 [..., 2]torch.Tensor 子类,表示图像中的点。

注意

关键点支持于 2023 年 0.23 版本发布的 TorchVision 中,目前为 BETA 功能。我们预计 API 不会发生变化,但可能存在一些罕见的边缘情况。如果您发现任何问题,请在我们的 bug 跟踪器上报告: https://github.com/pytorch/vision/issues?q=is:open+is:issue 每个点分别由其在宽度和高度维度上的 X 和 Y 坐标表示。

每个点分别由其在宽度和高度维度上的 X 和 Y 坐标表示。

关键点可以表示任何可以用 2D 点序列表示的对象

  • 多边形链,包括折线、贝塞尔曲线等,其形状可以是 [N_chains, N_points, 2]

  • 多边形,其形状可以是 [N_polygons, N_points, 2]

  • 骨架,对于姿态估计模型,其形状可以是 [N_skeletons, N_bones, 2, 2]

注意

torchvision.tv_tensors.BoundingBoxes 类似,每个样本应该只有一个 torchvision.tv_tensors.KeyPoints 类的实例,例如 {"img": img, "poins_of_interest": KeyPoints(...)},尽管一个 torchvision.tv_tensors.KeyPoints 对象可以包含多个关键点。

参数:
  • data – 任何可以通过 torch.as_tensor() 转换为张量的数据。

  • canvas_size (python:ints 的二元组) – 相应图像或视频的高度和宽度。

  • dtype (torch.dpython:type, optional) – 边界框的期望数据类型。如果省略,将从 data 推断。

  • device (torch.device, optional) – 边界框的期望设备。如果省略且 datatorch.Tensor,则从中获取设备。否则,边界框将在 CPU 上构建。

  • requires_grad (bool, optional) – 是否应 autograd 记录边界框上的操作。如果省略且 datatorch.Tensor,则从中获取值。否则,默认为 False

使用 KeyPoints 的示例

关键点上的变换

关键点上的变换

变换 v2 入门

变换 v2 入门

TVTensor FAQ

TVTensor FAQ

文档

访问全面的 PyTorch 开发者文档

查看文档

教程

为初学者和高级开发者提供深入的教程

查看教程

资源

查找开发资源并让您的问题得到解答

查看资源