快捷導(dǎo)航

TorchVision Transforms API目標(biāo)檢測(cè)實(shí)例語(yǔ)義分割視頻類(lèi)

更新時(shí)間：2022年11月09日 15:37:09 作者：神經(jīng)星星

這篇文章主要為大家介紹了TorchVision Transforms API大升級(jí)，支持目標(biāo)檢測(cè)、實(shí)例/語(yǔ)義分割及視頻類(lèi)任務(wù)示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

內(nèi)容導(dǎo)讀

TorchVision Transforms API 擴(kuò)展升級(jí)，現(xiàn)已支持目標(biāo)檢測(cè)、實(shí)例及語(yǔ)義分割以及視頻類(lèi)任務(wù)。新 API 尚處于測(cè)試階段，開(kāi)發(fā)者可以試用體驗(yàn)。

本文首發(fā)自微信公眾號(hào)：PyTorch 開(kāi)發(fā)者社區(qū)

TorchVision 現(xiàn)已針對(duì) Transforms API 進(jìn)行了擴(kuò)展， 具體如下：

除用于圖像分類(lèi)外，現(xiàn)在還可以用其進(jìn)行目標(biāo)檢測(cè)、實(shí)例及語(yǔ)義分割以及視頻分類(lèi)等任務(wù)；
支持從 TorchVision 直接導(dǎo)入 SoTA 數(shù)據(jù)增強(qiáng)，如 MixUp、 CutMix、Large Scale Jitter 以及 SimpleCopyPaste。
支持使用全新的 functional transforms 轉(zhuǎn)換視頻、Bounding box 以及分割掩碼 (Segmentation Mask)。

Transforms 當(dāng)前的局限性

穩(wěn)定版 TorchVision Transforms API，也也就是我們常說(shuō)的 Transforms V1，只支持單個(gè)圖像，因此，只適用于分類(lèi)任務(wù)：

from torchvision import transforms
trans = transforms.Compose([
   transforms.ColorJitter(contrast=0.5),
   transforms.RandomRotation(30),
   transforms.CenterCrop(480),
])
imgs = trans(imgs)

上述方法不支持需要使用 Label 的目標(biāo)檢測(cè)、分割或分類(lèi) Transforms， 如 MixUp 及 cutMix。這使分類(lèi)以外的計(jì)算機(jī)視覺(jué)任務(wù)都不能用 Transforms API 執(zhí)行必要的擴(kuò)展。同時(shí)，這也加大了用 TorchVision 原語(yǔ)訓(xùn)練高精度模型的難度。

為了克服這個(gè)局限性，TorchVision 在其 reference script 中提供了自定義實(shí)現(xiàn)， 用于演示所有任務(wù)中的增強(qiáng)是如何執(zhí)行的。

盡管這種做法使得開(kāi)發(fā)者能夠訓(xùn)練出高精度的分類(lèi)、目標(biāo)檢測(cè)及分割模型，但做法比較粗糙，TorchVision 二進(jìn)制文件中還是不能導(dǎo)入 Transforms。

全新的 Transforms API

Transforms V2 API 支持視頻、bounding box、label 以及分割掩碼， 這意味著它為許多計(jì)算機(jī)視覺(jué)任務(wù)提供了本地支持。新的解決方案是一種更為直接的替代方案:

from torchvision.prototype import transforms
# Exactly the same interface as V1:
trans = transforms.Compose([
    transforms.ColorJitter(contrast=0.5),
    transforms.RandomRotation(30),
    transforms.CenterCrop(480),
])
imgs, bboxes, labels = trans(imgs, bboxes, labels)

全新的 Transform Class 無(wú)需強(qiáng)制執(zhí)行特定的順序或結(jié)構(gòu)，就可以接收任意數(shù)量的輸入：

# Already supported:
trans(imgs)  # Image Classification
trans(videos)  # Video Tasks
trans(imgs_or_videos, labels)  # MixUp/CutMix-style Transforms
trans(imgs, bboxes, labels)  # Object Detection
trans(imgs, bboxes, masks, labels)  # Instance Segmentation
trans(imgs, masks)  # Semantic Segmentation
trans({"image": imgs, "box": bboxes, "tag": labels})  # Arbitrary Structure
# Future support:
trans(imgs, bboxes, labels, keypoints)  # Keypoint Detection
trans(stereo_images, disparities, masks)  # Depth Perception
trans(image1, image2, optical_flows, masks)  # Optical Flow

functional API 已經(jīng)更新，支持所有輸入必要的 signal processing kernel，如 resizing, cropping, affine transforms, padding 等：

from torchvision.prototype.transforms import functional as F
# High-level dispatcher, accepts any supported input type, fully BC
F.resize(inpt, resize=[224, 224])
# Image tensor kernel
F.resize_image_tensor(img_tensor, resize=[224, 224], antialias=True)
# PIL image kernel
F.resize_image_pil(img_pil, resize=[224, 224], interpolation=BILINEAR)
# Video kernel
F.resize_video(video, resize=[224, 224], antialias=True)
# Mask kernel
F.resize_mask(mask, resize=[224, 224])
# Bounding box kernel
F.resize_bounding_box(bbox, resize=[224, 224], spatial_size=[256, 256])

API 使用 Tensor subclassing 來(lái)包裝輸入，附加有用的元數(shù)據(jù)，并 dispatch 到正確的內(nèi)核。 利用 TorchData Data Pipe 的 Datasets V2 相關(guān)工作完成后，就不再需要手動(dòng)包裝輸入了。目前，用戶(hù)可以通過(guò)以下方式手動(dòng)包裝輸入：

from torchvision.prototype import features
imgs = features.Image(images, color_space=ColorSpace.RGB)
vids = features.Video(videos, color_space=ColorSpace.RGB)
masks = features.Mask(target["masks"])
bboxes = features.BoundingBox(target["boxes"], format=BoundingBoxFormat.XYXY, spatial_size=imgs.spatial_size)
labels = features.Label(target["labels"], categories=["dog", "cat"])

除新 API 之外，PyTorch 官方還為 SoTA 研究中用到的一些數(shù)據(jù)增強(qiáng)提供了重要實(shí)現(xiàn)，如 MixUp、 CutMix、Large Scale Jitter、 SimpleCopyPaste、AutoAugmentation 方法以及一些新的 Geometric、Colour 和 Type Conversion transforms。

該 API 繼續(xù)支持 single image 或 batched input image 的 PIL 和 Tensor 后端，并在 functional API 上保留了 JIT-scriptability。這使得圖像映射得以從 uint8 延遲到 float， 帶來(lái)了性能的進(jìn)一步提升。

它目前可以在 TorchVision 的原型區(qū)域 (prototype area) 中使用，并且支持從 nightly build 版本中導(dǎo)入。經(jīng)驗(yàn)證，新 API 與先前實(shí)現(xiàn)的準(zhǔn)確性一致。

當(dāng)前的局限性

functional API (kernel) 仍然保持 JIT-scriptable 及 fully-BC，Transform Class 提供了相同的接口，卻無(wú)法使用腳本。

這是因?yàn)?Transform Class 使用的是張量子類(lèi) (Tensor Subclassing)，且接收任意數(shù)量的輸入，這是 JIT 所不支持的。該局限將在后續(xù)版本中不斷優(yōu)化。

一個(gè)端到端示

以下是一個(gè)新 API 示例，它可以同時(shí)使用 PIL 圖像和張量。

測(cè)試圖片：

代碼示例：

import PIL
from torchvision import io, utils
from torchvision.prototype import features, transforms as T
from torchvision.prototype.transforms import functional as F
# Defining and wrapping input to appropriate Tensor Subclasses
path = "COCO_val2014_000000418825.jpg"
img = features.Image(io.read_image(path), color_space=features.ColorSpace.RGB)
# img = PIL.Image.open(path)
bboxes = features.BoundingBox(
    [[2, 0, 206, 253], [396, 92, 479, 241], [328, 253, 417, 332],
     [148, 68, 256, 182], [93, 158, 170, 260], [432, 0, 438, 26],
     [422, 0, 480, 25], [419, 39, 424, 52], [448, 37, 456, 62],
     [435, 43, 437, 50], [461, 36, 469, 63], [461, 75, 469, 94],
     [469, 36, 480, 64], [440, 37, 446, 56], [398, 233, 480, 304],
     [452, 39, 463, 63], [424, 38, 429, 50]],
    format=features.BoundingBoxFormat.XYXY,
    spatial_size=F.get_spatial_size(img),
)
labels = features.Label([59, 58, 50, 64, 76, 74, 74, 74, 74, 74, 74, 74, 74, 74, 50, 74, 74])
# Defining and applying Transforms V2
trans = T.Compose(
    [
        T.ColorJitter(contrast=0.5),
        T.RandomRotation(30),
        T.CenterCrop(480),
    ]
)
img, bboxes, labels = trans(img, bboxes, labels)
# Visualizing results
viz = utils.draw_bounding_boxes(F.to_image_tensor(img), boxes=bboxes)
F.to_pil_image(viz).show()

以上就是TorchVision Transforms API目標(biāo)檢測(cè)實(shí)例語(yǔ)義分割視頻類(lèi)的詳細(xì)內(nèi)容，更多關(guān)于TorchVision Transforms API的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: