transforms

一.transforms 是什么？

1.名词释义

torchvision.transforms ：PyTorch 专门为图像数据设计的预处理&数据增强工具包。

2.通俗理解

神经网络不能直接看懂手机/电脑里的图片，就像人吃食物要先洗菜、切菜、调味。
transforms 就是给图片“加工处理”：改大小、转格式、调颜色、随机翻转等，把原始图片变成模型能识别、能学得更好的数据。

3.必备导入代码

#核心库
import torch
#图像变换工具
from torchvision import transforms
#Python原生图片读取工具
from PIL import Image

二.两个核心图片格式

所有变换都是围绕这两种格式展开

1.PIL 图像（原始图片格式）

• 来源：用 Image.open() 读取本地图片得到的格式
• 维度规则：(高度H, 宽度W, 通道数C)
  例：一张 500高、300宽 的彩色图 → (500, 300, 3)
• 像素值域：每个像素值范围** 0 ~ 255**（整数）
• 特点：人类能直观打开查看，绝大多数基础变换只支持该格式

2.Tensor 张量（模型专属格式）

• 来源：经过 ToTensor() 转换得到
• 维度规则：(通道数C, 高度H, 宽度W)
  例：上面同一张图 → (3, 500, 300)
• 像素值域： **0.0 ~ 1.0 （**浮点数）
• 特点：PyTorch 神经网络只认这种格式

一句话总结顺序：原始图片(PIL) → 各种裁剪/翻转 → 转Tensor → 标准化 → 送入模型

三.总控制器：Compose 组合变换

1.名词释义

transforms.Compose(transform_list)：变换流水线，把多个处理步骤按书写顺序依次执行。

2.通俗理解

相当于“流水线工序单”，把改大小、翻转、转格式等多个操作排好队，一张图片进来，自动走完所有流程，不用手动一步步处理。

3.语法 & 示例

#定义一套处理流程，列表里按顺序写操作
train_transform = transforms.Compose([
transforms.Resize(224), # 第1步：缩放图片
transforms.RandomHorizontalFlip(), # 第2步：随机左右翻转
transforms.ToTensor(), # 第3步：转为张量
transforms.Normalize(...) # 第4步：标准化
])

⚠️ 关键规则：列表顺序 = 代码执行顺序，顺序错了直接报错/效果异常。

四.分类详解：所有常用变换

第一类：尺寸与裁剪（修改图片大小）

1.Resize 缩放

• 作用：把图片缩放到指定尺寸，统一图片大小（模型要求输入尺寸固定）
• 参数说明

:::info
torchvision 的 Resize 还有个参数 ** max_size **，搭配单数字使用：

transforms.Resize(224,max_size=400)

含义：

短边缩到224，如果算出来的长边超过 400，就把长边限制在400，防止图片变得过长/过宽。

:::

• 代码示例

transforms.Resize(256) # 等比例缩放，短边=256
transforms.Resize((224,224)) # 强制改为 224×224 正方形

• 使用场景：训练、测试集通用，几乎所有图像任务必用

2.CenterCrop 中心裁剪

• 作用：从图片正中间抠出一块指定大小的区域
• 示例： CenterCrop(224) → 在图片中心裁剪出 224×224 的图
• 使用场景：测试集/验证集专用
• **原因:**测试时要保证结果稳定，固定从中心裁剪，不随机改动图片

3.RandomCrop 随机裁剪

• 作用：在图片随机位置抠图，属于数据增强
• 使用场景：训练集专用
• 通俗理解：同一张图，每次训练随机裁不同位置，相当于凭空多了很多训练数据，提升模型泛化能力

4.RandomResizedCrop随机缩放+随机裁剪

• 作用：先随机把图片放大/缩小，再随机裁剪，ImageNet 分类任务标准增强操作
• 示例： RandomResizedCrop(224)
• 使用场景：大型图像分类训练集首选

第二类：翻转与旋转（数据增强主力）

这类都是随机操作，只用于训练集，测试集禁用！

1.RandomHorizontalFlip 随机水平翻转

• 参数：p=0.5 （概率，默认50%概率翻转）
• 作用：图片左右翻转（类似照镜子）
• 示例：人脸、猫狗图片，左右翻转不改变物体含义
• 使用场景：90% 图像训练任务必加，安全、效果好

2.RandomVerticalFlip 随机垂直翻转

• 作用：图片上下翻转（倒立）
• 慎用场景：文字、人脸、建筑物、车牌等，倒立后语义完全改变

3.RandomRotation 随机旋转

• 参数：

角度范围

• 使用场景：航拍图、手写数字、花卉等允许旋转的任务

第三类：格式转换

1.ToTensor()

• 专业功能：完成两大转换

• 通俗理解：把“人类看懂的图片”翻译成“模型能看懂的张量”
• 硬性规则：

2.ToPILImage()

• 作用：反向转换，Tensor → PIL 图片
• 使用场景：训练后可视化图片、查看处理效果

第四类：Normalize 标准化（模型收敛关键）

1.公式（专业）

输出像素=（输入像素-mean)/std

• mean：均值，std：标准差

2.通俗解释

把 ToTensor() 后 [0,1] 的像素值，再次调整分布，让数据均值趋近于0、方差趋近于1。
作用：加速神经网络训练，让模型更快收敛、精度更高。

3.语法与参数

transforms.Normalize(mean, std)

• mean ：每个通道的均值列表
• std ：每个通道的标准差列表

4.通用标准参数

mean = [0.485, 0.456, 0.406]
std = [0.229, 0.224, 0.225]

mean = [0.5]
std = [0.5]

5.铁律

Normalize 必须紧跟在 ToTensor() 后面，顺序颠倒会计算错误。

第五类：色彩增强（应对光照变化）

ColorJitter 颜色抖动

1.作用：随机修改图片的亮度、对比度、饱和度、色相，模拟不同光照环境

2.参数详解（通俗版）

– `brightness `：亮度，数值越大图片忽明忽暗越明显
– ` contrast `：对比度，明暗差距变化
– `saturation` ：色彩鲜艳程度
– `hue `：色调（颜色偏向，建议数值小于0.5）

3.代码示例

#亮度/对比度随机浮动20%
transforms.ColorJitter(brightness=0.2, contrast=0.2)

4.场景：户外图片、监控图像、光照不稳定的数据集

第六类：遮挡增强（提升鲁棒性）

RandomErasing 随机擦除

1.作用：在图片上随机擦掉一块区域（打马赛克）

2.通俗理解：训练时故意遮挡部分物体，强迫模型学习全局特征，不会因为物体被遮挡就识别错误

3.位置要求：放在 Normalize 之后

4.场景：分类、目标检测训练集

第七类：高斯模糊

GaussianBlur 高斯模糊

1.作用：随机模糊图片，模拟拍照失焦、画质模糊的情况

2.场景：低画质图像、监控图像增强

五、工业级标准模板

核心原则：
✅ 训练集：加所有随机增强（翻转、裁剪、色彩抖动），提升模型能力
✅ 测试/验证集：禁用所有随机操作，保证结果稳定

1.训练集变换（带数据增强）

train_transform = transforms.Compose([
transforms.RandomResizedCrop(224), # 随机缩放裁剪
transforms.RandomHorizontalFlip(0.5), # 随机左右翻转
transforms.ColorJitter(0.2, 0.2), # 色彩增强
transforms.ToTensor(), # 转张量
transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225]), # 标准化
transforms.RandomErasing(p=0.2) # 随机遮挡
])

2.测试/验证集变换（无增强）

val_transform = transforms.Compose([
transforms.Resize(256), # 等比例缩放
transforms.CenterCrop(224), # 中心裁剪（无随机）
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225])
])

六.自定义 Transform（拓展用法）

当内置操作不够用时，可以自己写处理逻辑，两种常用方式：

1.Lambda 简单自定义（单行逻辑）

把一个简易函数嵌入流水线

# 示例：把彩色图转为灰度图
transform = transforms.Compose([
transforms.Lambda(lambda img: img.convert("L")),
transforms.Resize(224),
transforms.ToTensor()
])

2.类继承（复杂逻辑，标准写法）

继承 torch.nn.Module ，适合多行复杂处理，和官方变换用法完全一致

class MyCustomTransform(torch.nn.Module):
# 固定写法：__call__ 方法，输入图片，返回处理后图片
def __call__(self, img):
# 自定义你的处理逻辑
return img

# 放入流水线即可使用
transform = transforms.Compose([MyCustomTransform()])

七.高频易错点

1.顺序错误（最常见）
错误： Normalize → ToTensor()
正确：裁剪/翻转 → ToTensor() → Normalize

八.完整可运行代码

from PIL import Image
from torchvision import transforms

# 1. 定义变换流水线
trans = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225])
])

# 2. 读取本地图片（替换成你的图片路径）
img = Image.open("test.jpg").convert("RGB")

# 3. 执行所有变换
img_tensor = trans(img)

# 4. 查看结果：形状 + 像素范围
print("张量形状：", img_tensor.shape) # 输出 torch.Size([3, 224, 224])
print("像素最大值：", img_tensor.max().item())
print("像素最小值：", img_tensor.min().item())