初步使用

在深度学习中，考虑到模型对输入数据的格式、尺寸有着硬性要求，为了便于统一处理，Pytorch提供了transforms用于数据预处理。transforms包括v1和v2两个版本，出于兼容性考虑，直接用from torchvision import transforms默认为v1，但推荐推荐使用v2，常见用法如下

import matplotlib.pyplot as plt
from PIL import Image
from torchvision.transforms import v2
import torch

transform = v2.Compose([
    v2.Resize((448, 448)),
    v2.ColorJitter(brightness=0.1, contrast=0.1, saturation=0.1, hue=0.05),
    v2.ToImage(),
    v2.ToDtype(torch.float32, scale=True),
    v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
path = f"test.jpg"
img = Image.open(path).convert("RGB")
imgT = transform(img)

代码中，

• 【Compose】用于将多个变换打包，按列表顺序依次调用。
• 【Resize】用于统一图像尺寸，将图片强制缩放为$448\times 448$。
• 【ColorJitter】用于随机扰动图像颜色，防止模型过拟合。上面的示例中，输入参数分别为亮度变化$\pm 0.1$，对比度变化$\pm 0.1$，饱和度变化$\pm 0.1$，色调变化$\pm 0.05$。
• 【ToImage】将数据类型转换为【tv_tensor.Image】类型
• 【ToDtype】将通道顺序从$\mathrm{h}\times \mathrm{w}\times \mathrm{c}$调整为$\mathrm{c}\times \mathrm{h}\times \mathrm{w}$，且将像素值从$[0,255]$线性缩放到$[0.0,1.0]$
• 【Nomarlize】归一化，其输出值output=(input-mean)/std

在v1版本中，【ToImage, ToDtype】用【ToTensor】一步实现，所以看到【ToTensor】不要慌。

处理结果

img经过transform处理前后对比为

可视化代码如下，需要注意，由于在变换过程中，【Tensor】将其通道顺序变成了$\mathrm{c}\times \mathrm{h}\times \mathrm{w}$，在可视化之前应该重新排布其维度。

ax = plt.subplot(121)
ax.imshow(img)
ax.axis('off')
ax = plt.subplot(122)
ax.imshow(imgT.permute(1,2,0))
ax.axis('off')
plt.show()

常用变换

transforms中提供了许多变换方案，其v2版本中提供的变换类型如下列诸表所示。

本文介绍了PyTorch中torchvision.transforms模块的数据预处理方法，重点对比了v1和v2版本的区别。主要内容包括：1）基本使用方法，通过Compose组合Resize、ColorJitter等变换；2）处理结果可视化注意事项；3）详细分类整理了v2版本提供的各类变换，包括组合控制、类型转换、几何变换、颜色调整等，并标注了与v1版本的差异。特别强调了v2版本新增的现代增强策略（如RandAugment、MixUp）和目标检测专用变换，推荐使用v2版本以获得更好的兼容性和功能支持。