RandomResizedCrop

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

随机裁剪图像的一部分并将其调整到给定大小。

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

会裁剪原始图像的一部分：裁剪的区域（H * W）和长宽比是随机的。最后将此裁剪区域调整到给定大小。这通常用于训练 Inception 网络。

参数:

• size (int 或 序列) –

  期望的裁剪输出大小，按边缘。如果 size 是一个整数而不是序列（如 (h, w)），则将创建一个正方形输出尺寸 (size, size)。如果提供长度为 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) – 指定裁剪前的随机区域的下界和上界。尺度相对于原始图像的面积定义。

• ratio (tuple of python:float) – 裁剪前的随机长宽比的下界和上界。

• interpolation (InterpolationMode) – 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，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, 可选) –

  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：对于 PIL 图像，双线性或双三次模式下的抗锯齿始终被应用；对于其他模式（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：对于张量等同于 False，对于 PIL 图像等同于 True。此值是出于历史原因而存在的，除非您真正知道自己在做什么，否则您可能不想使用它。

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

使用 RandomResizedCrop 的示例

如何编写自己的 v2 变换

如何编写自己的 v2 变换

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

变换 v2 入门

变换 v2 入门

转换图示

转换图示

forward(img)

参数:

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

返回:

随机裁剪并调整大小后的图像。

返回类型:

PIL 图像或张量

static get_params(img: Tensor, scale: list[float], ratio: list[float]) → tuple[int, int, int, int]

获取用于随机尺寸裁剪的 crop 参数。

参数:

• img (PIL Image 或 Tensor) – 输入图像。

• scale (list) – 从原始尺寸裁剪的范围

• ratio (list) – 从原始长宽比裁剪的长宽比范围

返回:

用于随机尺寸裁剪的 crop 的参数 (i, j, h, w)。

返回类型:

元组