Größe in PyTorch ändern

Kauf mir einen Kaffee☕

*Memos:

• Mein Beitrag erklärt OxfordIIITPet().

Resize() kann die Größe von null oder mehr Bildern ändern, wie unten gezeigt:

*Memos:

• Das erste Argument für die Initialisierung ist size(Required-Type:int oder tuple/list(int)): *Memos:
  • Es ist [Breite, Höhe].
  • Es muss 1 <= x sein.
  • Ein Tupel/eine Liste muss 1D mit 1 oder 2 Elementen sein.
  • Ein einzelner Wert (int oder tuple/list(int`)) wird auf die Kante eines kleineren Bildes in Breite oder Höhe angewendet, dann wird die Größe der anderen Kante mit größerer Breite oder Höhe ebenfalls geändert: *Memos:
  • Wenn die Breite eines Bildes kleiner als seine Höhe ist, beträgt es [Größe, Größe * Breite / Höhe].
  • Wenn die Breite eines Bildes größer als seine Höhe ist, beträgt es [Größe * Breite / Höhe, Größe].
  • Wenn die Breite eines Bildes gleich seiner Höhe ist, ist es [Größe, Größe].
• Das 2. Argument für die Initialisierung ist Interpolation (Optional-Default:InterpolationMode.BILINEAR-Type:InterpolationMode).
• Das dritte Argument für die Initialisierung ist max_size(Optional-Default:None-Type:int): *Memos:
  • Es wird nur unterstützt, wenn size ein einzelner Wert ist (int oder tuple/list(int`)).
  • Nachdem die Größe angewendet wurde, wenn die Breiten- oder Höhenkante eines größeren Bildes diese überschreitet, wird sie auf die Breiten- oder Höhenkante eines größeren Bildes angewendet, um die Bildgröße zu begrenzen. Anschließend wird die Breiten- oder Höhenkante des anderen kleineren Bildes ebenfalls kleiner als zuvor.
• Das vierte Argument für die Initialisierung ist Antialias (Optional-Default:True-Type:bool). *Auch wenn „False“ eingestellt ist, ist es immer „True“, wenn die Interpolation InterpolationMode.BILINEAR oder InterpolationMode.BICUBIC ist.
• Das 1. Argument ist img(Required-Type:PIL Image oder tensor(int, float, complex oder bool)): *Memos:
  • Ein Tensor muss der 3D- oder mehr-D-Tensor eines oder mehrerer Elemente sein.
  • Verwenden Sie nicht img=.
• Wird empfohlen, V2 gemäß V1 oder V2 zu verwenden? Welches soll ich verwenden?

from torchvision.datasets import OxfordIIITPet
from torchvision.transforms.v2 import Resize
from torchvision.transforms.functional import InterpolationMode

resize = Resize(size=100)
resize = Resize(size=100,
                interpolation=InterpolationMode.BILINEAR,
                max_size=None,
                antialias=True)
resize
# Resize(size=[100],
#        interpolation=InterpolationMode.BILINEAR,
#        antialias=True)

resize.size
# [100]

resize.interpolation
# 

print(resize.max_size)
# None

resize.antialias
# True

origin_data = OxfordIIITPet(
    root="data",
    transform=None
)

p1000_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=1000)
    # transform=Resize(size=[1000])
)

p100_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=100)
)

p50_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=50)
)

p10_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=10)
)

p100p180_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=[100, 180])
)

p180p100_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=[180, 100])
)

p100ms110_data = OxfordIIITPet(
    root="data",
    transform=Resize(size=100, max_size=110)
)

import matplotlib.pyplot as plt

def show_images1(data, main_title=None):
    plt.figure(figsize=(10, 5))
    plt.suptitle(t=main_title, y=0.8, fontsize=14)
    for i, (im, _) in zip(range(1, 6), data):
        plt.subplot(1, 5, i)
        plt.imshow(X=im)
    plt.tight_layout()
    plt.show()

show_images1(data=origin_data, main_title="origin_data")
show_images1(data=p1000_data, main_title="p1000_data")
show_images1(data=p100_data, main_title="p100_data")
show_images1(data=p50_data, main_title="p50_data")
show_images1(data=p10_data, main_title="p10_data")
print()
show_images1(data=origin_data, main_title="origin_data")
show_images1(data=p100p180_data, main_title="p100p180_data")
show_images1(data=p180p100_data, main_title="p180p100_data")
print()
show_images1(data=p100_data, main_title="p100_data")
show_images1(data=p100ms110_data, main_title='p100ms110_data')

# ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
def show_images2(data, main_title=None, s=None, ms=None):
    plt.figure(figsize=(10, 5))
    plt.suptitle(t=main_title, y=0.8, fontsize=14)
    for i, (im, _) in zip(range(1, 6), data):
        plt.subplot(1, 5, i)
        if not s:
            s = im.size
        resize = Resize(size=s, max_size=ms) # Here
        plt.imshow(X=resize(im)) # Here
    plt.tight_layout()
    plt.show()

show_images2(data=origin_data, main_title="origin_data")
show_images2(data=origin_data, main_title="p1000_data", s=1000)
show_images2(data=origin_data, main_title="p100_data", s=100)
show_images2(data=origin_data, main_title="p50_data", s=50)
show_images2(data=origin_data, main_title="p10_data", s=10)
print()
show_images2(data=origin_data, main_title="origin_data")
show_images2(data=origin_data, main_title="p100p180_data", s=[100, 180])
show_images2(data=origin_data, main_title="p180p100_data", s=[180, 100])
print()
show_images2(data=origin_data, main_title="p100_data", s=100)
show_images2(data=origin_data, main_title="p100ms110_data", s=100, ms=110)






























          

            
        


Das obige ist der detaillierte Inhalt vonGröße in PyTorch ändern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!