請我喝杯咖啡☕
ColorJitter() 可以改變零個或多個影像的亮度、對比、飽和度和色調,如下所示:
*備忘錄:
- 初始化的第一個參數是亮度(可選-預設:0-類型:float 或 tuple/list(float)):
*備註:
- 亮度範圍[min, max]。
- 必須是 0
- 單一值轉換為[max(0, 1-亮度), 1 亮度]。
- 元組或列表必須是具有 2 個元素的一維。 *第一個元素必須小於或等於第二個元素。
- 初始化的第二個參數是對比(可選-預設:0-類型:float 或 tuple/list(float)):
*備註:
- 這是對比的範圍[min, max]。
- 必須是 0
- 單一值轉換為 [max(0, 1-對比), 1 對比]。
- 元組或列表必須是具有 2 個元素的一維。 *第一個元素必須小於或等於第二個元素。
- 初始化的第三個參數是飽和度(可選-預設:0-類型:float 或 tuple/list(float)):
*備註:
- 這是飽和度的範圍[min, max]。
- 必須是 0
- 單一值轉換為 [max(0, 1-飽和度), 1 飽和度]。
- 元組或列表必須是具有 2 個元素的一維。 *第一個元素必須小於或等於第二個元素。
- 初始化的第四個參數是hue(可選-預設:0-類型:float或tuple/list(float)):
*備註:
- 這是色調的範圍 [min, max]。
- 必須是 -0.5
- 單一值轉換為 [-hue, Hue]。
- 元組或列表必須是具有 2 個元素的一維。 *第一個元素必須小於或等於第二個元素。
- 第一個參數是img(必需類型:PIL映像或張量/元組/列表(int或float)):
*備註:
- 它必須是 2D 或 3D。對於 3D,最深的 D 必須有一個元素。
- 不要使用img=。
- v2建議依照V1還是V2使用?我應該使用哪一個?
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")
以上是PyTorch 中的 ColorJitter的詳細內容。更多資訊請關注PHP中文網其他相關文章!

Python腳本在Unix系統上無法運行的原因包括:1)權限不足,使用chmod xyour_script.py賦予執行權限;2)Shebang行錯誤或缺失,應使用#!/usr/bin/envpython;3)環境變量設置不當,可打印os.environ調試;4)使用錯誤的Python版本,可在Shebang行或命令行指定版本;5)依賴問題,使用虛擬環境隔離依賴;6)語法錯誤,使用python-mpy_compileyour_script.py檢測。

使用Python數組比列表更適合處理大量數值數據。 1)數組更節省內存,2)數組對數值運算更快,3)數組強制類型一致性,4)數組與C語言數組兼容,但在靈活性和便捷性上不如列表。

列表列表更好的forflexibility andmixDatatatypes,何時出色的Sumerical Computitation sand larged數據集。 1)不可使用的列表xbilese xibility xibility xibility xibility xibility xibility xibility xibility xibility xibility xibles and comply offrequent elementChanges.2)

numpymanagesmemoryforlargearraysefefticefticefipedlyuseviews,副本和內存模擬文件.1)viewsAllowSinglicingWithOutCopying,直接modifytheoriginalArray.2)copiesCanbecopy canbecreatedwitheDedwithTheceDwithThecevithThece()methodervingdata.3)metservingdata.3)memore memore-mappingfileShessandAstaStaStstbassbassbassbassbassbassbassbassbassbassbb

Listsinpythondonotrequireimportingamodule,helilearraysfomthearraymoduledoneedanimport.1)列表列表,列表,多功能和canholdMixedDatatatepes.2)arraysaremoremoremoremoremoremoremoremoremoremoremoremoremoremoremoremoremeremeremeremericdatabuteffeftlessdatabutlessdatabutlessfiblesible suriplyElsilesteletselementEltecteSemeTemeSemeSemeSemeTypysemeTypysemeTysemeTypysemeTypepe。

pythonlistscanStoryDatatepe,ArrayModulearRaysStoreOneType,and numpyArraySareSareAraysareSareAraysareSareComputations.1)列出sareversArversAtileButlessMemory-Felide.2)arraymoduleareareMogeMogeNareSaremogeNormogeNoreSoustAta.3)

WhenyouattempttostoreavalueofthewrongdatatypeinaPythonarray,you'llencounteraTypeError.Thisisduetothearraymodule'sstricttypeenforcement,whichrequiresallelementstobeofthesametypeasspecifiedbythetypecode.Forperformancereasons,arraysaremoreefficientthanl

pythonlistsarepartofthestAndArdLibrary,herilearRaysarenot.listsarebuilt-In,多功能,和Rused ForStoringCollections,而EasaraySaraySaraySaraysaraySaraySaraysaraySaraysarrayModuleandleandleandlesscommonlyusedDduetolimitedFunctionalityFunctionalityFunctionality。


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

MantisBT
Mantis是一個易於部署的基於Web的缺陷追蹤工具,用於幫助產品缺陷追蹤。它需要PHP、MySQL和一個Web伺服器。請查看我們的演示和託管服務。

Atom編輯器mac版下載
最受歡迎的的開源編輯器

VSCode Windows 64位元 下載
微軟推出的免費、功能強大的一款IDE編輯器

記事本++7.3.1
好用且免費的程式碼編輯器

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能