ColorJitter dalam PyTorch
Beli Saya Kopi☕
ColorJitter() boleh menukar kecerahan, kontras, ketepuan dan rona sifar atau lebih imej seperti yang ditunjukkan di bawah:
*Memo:
- Argumen pertama untuk permulaan ialah kecerahan(Pilihan-Lalai:0-Jenis:float atau tuple/list(float)):
*Memo:
- Ia ialah julat kecerahan [min, maks].
- Mestilah 0 <= x.
- Satu nilai ditukar kepada [maks(0, 1-kecerahan), 1 kecerahan].
- Tuple atau senarai mestilah 1D dengan 2 elemen. *Elemen pertama mestilah kurang daripada atau sama dengan elemen ke-2.
- Argumen ke-2 untuk permulaan ialah contrast(Optional-Default:0-Type:float or tuple/list(float)):
*Memo:
- Ia ialah julat kontras [min, maks].
- Mestilah 0 <= x.
- Satu nilai ditukar kepada [maks(0, 1-kontras), 1 kontras].
- Tuple atau senarai mestilah 1D dengan 2 elemen. *Elemen pertama mestilah kurang daripada atau sama dengan elemen ke-2.
- Argumen ke-3 untuk permulaan ialah ketepuan(Pilihan-Lalai:0-Jenis:float atau tuple/list(float)):
*Memo:
- Ia ialah julat ketepuan [min, maks].
- Mestilah 0 <= x.
- Satu nilai ditukar kepada [maks(0, 1-tepu), 1 tepu].
- Tuple atau senarai mestilah 1D dengan 2 elemen. *Elemen pertama mestilah kurang daripada atau sama dengan elemen ke-2.
- Argumen ke-4 untuk permulaan ialah hue(Optional-Default:0-Type:float or tuple/list(float)):
*Memo:
- Ia ialah julat rona [min, maks].
- Ia mestilah -0.5 <= x <= 0.5.
- Satu nilai ditukar kepada [-hue, hue].
- Tuple atau senarai mestilah 1D dengan 2 elemen. *Elemen pertama mestilah kurang daripada atau sama dengan elemen ke-2.
- Argumen pertama ialah img(Required-Type:PIL Image or tensor/tuple/list(int or float)):
*Memo:
- Ia mestilah 2D atau 3D. Untuk 3D, D terdalam mesti mempunyai satu elemen.
- Jangan gunakan img=.
- v2 disyorkan untuk digunakan mengikut V1 atau V2? Mana satu patut saya guna?.
from torchvision.datasets import OxfordIIITPet from torchvision.transforms.v2 import ColorJitter colorjitter = ColorJitter() colorjitter = ColorJitter(brightness=0, contrast=0, saturation=0, hue=0) colorjitter = ColorJitter(brightness=(1.0, 2.0), contrast=(1.0, 1.0), saturation=(1.0, 1.0), hue=(0.0, 0.0)) colorjitter # ColorJitter() print(colorjitter.brightness) # None print(colorjitter.contrast) # None print(colorjitter.saturation) # None print(colorjitter.hue) # None origin_data = OxfordIIITPet( root="data", transform=None # transform=ColorJitter() # colorjitter = ColorJitter(brightness=0, # contrast=0, # saturation=0, # hue=0) # transform=ColorJitter(brightness=(1.0, 1.0), # contrast=(1.0, 1.0), # saturation=(1.0, 1.0), # hue=(0.0, 0.0)) ) p2bright_data = OxfordIIITPet( # `p` is plus. root="data", transform=ColorJitter(brightness=2.0) # transform=ColorJitter(brightness=(0.0, 3.0)) ) p2p2bright_data = OxfordIIITPet( root="data", transform=ColorJitter(brightness=(2.0, 2.0)) ) p05p05bright_data = OxfordIIITPet( root="data", transform=ColorJitter(brightness=(0.5, 0.5)) ) p2contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=2.0) # transform=ColorJitter(contrast=(0.0, 3.0)) ) p2p2contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=(2.0, 2.0)) ) p05p05contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=(0.5, 0.5)) ) p2satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=2.0) # transform=ColorJitter(saturation=(0.0, 3.0)) ) p2p2satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=(2.0, 2.0)) ) p05p05satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=(0.5, 0.5)) ) p05hue_data = OxfordIIITPet( root="data", transform=ColorJitter(hue=0.5) # transform=ColorJitter(hue=(-0.5, 0.5)) ) p025p025hue_data = OxfordIIITPet( root="data", transform=ColorJitter(hue=(0.25, 0.25)) ) m025m025hue_data = OxfordIIITPet( # `m` is minus. root="data", transform=ColorJitter(hue=(-0.25, -0.25)) ) import matplotlib.pyplot as plt def show_images(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.xticks(ticks=[]) plt.yticks(ticks=[]) plt.tight_layout() plt.show() show_images(data=origin_data, main_title="origin_data") show_images(data=p2bright_data, main_title="p2bright_data") show_images(data=p2p2bright_data, main_title="p2p2bright_data") show_images(data=p05p05bright_data, main_title="p05p05bright_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p2contra_data, main_title="p2contra_data") show_images(data=p2p2contra_data, main_title="p2p2contra_data") show_images(data=p05p05contra_data, main_title="p05p05contra_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p2satura_data, main_title="p2satura_data") show_images(data=p2p2satura_data, main_title="p2p2satura_data") show_images(data=p05p05satura_data, main_title="p05p05satura_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p05hue_data, main_title="p05hue_data") show_images(data=p025p025hue_data, main_title="p025p025hue_data") show_images(data=m025m025hue_data, main_title="m025m025hue_data")
from torchvision.datasets import OxfordIIITPet from torchvision.transforms.v2 import ColorJitter colorjitter = ColorJitter() colorjitter = ColorJitter(brightness=0, contrast=0, saturation=0, hue=0) colorjitter = ColorJitter(brightness=(1.0, 2.0), contrast=(1.0, 1.0), saturation=(1.0, 1.0), hue=(0.0, 0.0)) colorjitter # ColorJitter() print(colorjitter.brightness) # None print(colorjitter.contrast) # None print(colorjitter.saturation) # None print(colorjitter.hue) # None origin_data = OxfordIIITPet( root="data", transform=None # transform=ColorJitter() # colorjitter = ColorJitter(brightness=0, # contrast=0, # saturation=0, # hue=0) # transform=ColorJitter(brightness=(1.0, 1.0), # contrast=(1.0, 1.0), # saturation=(1.0, 1.0), # hue=(0.0, 0.0)) ) p2bright_data = OxfordIIITPet( # `p` is plus. root="data", transform=ColorJitter(brightness=2.0) # transform=ColorJitter(brightness=(0.0, 3.0)) ) p2p2bright_data = OxfordIIITPet( root="data", transform=ColorJitter(brightness=(2.0, 2.0)) ) p05p05bright_data = OxfordIIITPet( root="data", transform=ColorJitter(brightness=(0.5, 0.5)) ) p2contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=2.0) # transform=ColorJitter(contrast=(0.0, 3.0)) ) p2p2contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=(2.0, 2.0)) ) p05p05contra_data = OxfordIIITPet( root="data", transform=ColorJitter(contrast=(0.5, 0.5)) ) p2satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=2.0) # transform=ColorJitter(saturation=(0.0, 3.0)) ) p2p2satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=(2.0, 2.0)) ) p05p05satura_data = OxfordIIITPet( root="data", transform=ColorJitter(saturation=(0.5, 0.5)) ) p05hue_data = OxfordIIITPet( root="data", transform=ColorJitter(hue=0.5) # transform=ColorJitter(hue=(-0.5, 0.5)) ) p025p025hue_data = OxfordIIITPet( root="data", transform=ColorJitter(hue=(0.25, 0.25)) ) m025m025hue_data = OxfordIIITPet( # `m` is minus. root="data", transform=ColorJitter(hue=(-0.25, -0.25)) ) import matplotlib.pyplot as plt def show_images(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.xticks(ticks=[]) plt.yticks(ticks=[]) plt.tight_layout() plt.show() show_images(data=origin_data, main_title="origin_data") show_images(data=p2bright_data, main_title="p2bright_data") show_images(data=p2p2bright_data, main_title="p2p2bright_data") show_images(data=p05p05bright_data, main_title="p05p05bright_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p2contra_data, main_title="p2contra_data") show_images(data=p2p2contra_data, main_title="p2p2contra_data") show_images(data=p05p05contra_data, main_title="p05p05contra_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p2satura_data, main_title="p2satura_data") show_images(data=p2p2satura_data, main_title="p2p2satura_data") show_images(data=p05p05satura_data, main_title="p05p05satura_data") show_images(data=origin_data, main_title="origin_data") show_images(data=p05hue_data, main_title="p05hue_data") show_images(data=p025p025hue_data, main_title="p025p025hue_data") show_images(data=m025m025hue_data, main_title="m025m025hue_data")
Atas ialah kandungan terperinci ColorJitter dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Penyelesaian kepada Isu Kebenaran Semasa Melihat Versi Python di Terminal Linux Apabila anda cuba melihat versi Python di Terminal Linux, masukkan Python ...

Cara mengelakkan dikesan semasa menggunakan fiddlerevery di mana untuk bacaan lelaki-dalam-pertengahan apabila anda menggunakan fiddlerevery di mana ...

Apabila menggunakan Perpustakaan Pandas Python, bagaimana untuk menyalin seluruh lajur antara dua data data dengan struktur yang berbeza adalah masalah biasa. Katakan kita mempunyai dua DAT ...

Bagaimanakah Uvicorn terus mendengar permintaan HTTP? Uvicorn adalah pelayan web ringan berdasarkan ASGI. Salah satu fungsi terasnya ialah mendengar permintaan HTTP dan teruskan ...

Fastapi ...

Menggunakan Python di Terminal Linux ...

Bagaimana Mengajar Asas Pengaturcaraan Pemula Komputer Dalam masa 10 jam? Sekiranya anda hanya mempunyai 10 jam untuk mengajar pemula komputer beberapa pengetahuan pengaturcaraan, apa yang akan anda pilih untuk mengajar ...

Memahami Strategi Anti-Crawling of Investing.com Ramai orang sering cuba merangkak data berita dari Investing.com (https://cn.investing.com/news/latest-news) ...
