Görüntü işleyicileri için yardımcı programlar

Bu sayfa, görüntü işleyiciler tarafından kullanılan tüm yardımcı işlevleri, özellikle görüntüleri işlemek için kullanılan fonksiyonel dönüşümleri listeler.

Bunların çoğu, kütüphanedeki görüntü işleyicilerinin kodunu inceliyorsanız faydalıdır.

Görüntü Dönüşümleri

transformers.image_transforms.center_crop

< source >

( image: ndarraysize: tupledata_format: str | transformers.image_utils.ChannelDimension | None = Noneinput_data_format: str | transformers.image_utils.ChannelDimension | None = None ) → np.ndarray

Parametreler

image (np.ndarray) — Kesilecek görüntü.
size (tuple[int, int]) — Kırpanmış görüntü için hedef boyut.
data_format (str veya ChannelDimension, isteğe bağlı) — Çıktı görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir:
- "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
- "channels_last" veya ChannelDimension.LAST: (height, width, num_channels) biçiminde görüntü. Belirtilmezse, girdi görüntüsünün çıkarılan biçimi kullanılır.
input_data_format (str veya ChannelDimension, isteğe bağlı) — Girdi görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir:
- "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
- "channels_last" veya ChannelDimension.LAST: (height, width, num_channels) biçiminde görüntü. Belirtilmezse, girdi görüntüsünün çıkarılan biçimi kullanılır.

Dönüş değeri

np.ndarray

Kırpanmış görüntü.

image öğesini, merkezden kırpma yöntemiyle belirtilen size boyutuna kırpılır. Görselin, verilen boyuta kırpılmak için yeterince büyük olmaması durumunda, boşluk doldurma yapılır (böylece döndürülen sonuç her zaman size boyutunda olur).

transformers.image_transforms.center_to_corners_format

< source >

( bboxes_center: TensorType )

Sınır kutularını merkez formatından köşe formatına dönüştürür.

center format: kutunun merkez koordinatını ve genişlik, yükseklik boyutlarını içerir (center_x, center_y, width, height) corners format: kutunun sol üst ve sağ alt köşe koordinatlarını içerir (top_left_x, top_left_y, bottom_right_x, bottom_right_y)

transformers.image_transforms.corners_to_center_format

< source >

( bboxes_corners: TensorType )

Sınır kutularını köşe biçiminden merkez biçimine dönüştürür.

corners biçimi: kutunun sol üst ve sağ alt köşelerinin koordinatlarını içerir (top_left_x, top_left_y, bottom_right_x, bottom_right_y) center biçimi: kutunun merkez koordinatını ve genişlik, yükseklik boyutlarını içerir (center_x, center_y, width, height)

transformers.image_transforms.id_to_rgb

< source >

( id_map )

Benzersiz kimliği RGB rengine dönüştürür.

transformers.image_transforms.normalize

< source >

Parametreler

image (np.ndarray) — Normalizasyonu yapılacak görüntü.
mean (float veya Collection[float]) — Normalizasyon için kullanılacak ortalama.
std (float veya Collection[float]) — Normalizasyon için kullanılacak standart sapma.
data_format (ChannelDimension, isteğe bağlı) — Çıktı görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.
input_data_format (ChannelDimension, isteğe bağlı) — Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

image değerini, mean ve std ile belirtilen ortalama ve standart sapma kullanılarak normalize eder.

image = (image - mean) / std

transformers.image_transforms.pad

< source >

( image: ndarraypadding: int | tuple[int, int] | collections.abc.Iterable[tuple[int, int]]mode: PaddingMode = <PaddingMode.CONSTANT: 'constant'>constant_values: float | collections.abc.Iterable[float] = 0.0data_format: str | transformers.image_utils.ChannelDimension | None = Noneinput_data_format: str | transformers.image_utils.ChannelDimension | None = None ) → np.ndarray

Parametreler

image (np.ndarray) — Doldurulacak görüntü.
padding (int veya tuple[int, int] veya Iterable[tuple[int, int]]) — Yükseklik ve genişlik eksenlerinin kenarlarına uygulanacak dolgu. Aşağıdaki üç formattan biri olabilir:
- ((before_height, after_height), (before_width, after_width)) her eksen için benzersiz dolgu genişlikleri.
- ((before, after),), yükseklik ve genişlik için aynı before ve after dolgusunu üretir.
- (pad,) veya int, tüm eksenler için before = after = pad genişliğinin kısayoludur.
mode (PaddingMode) — Kullanılacak dolgu modu. Aşağıdakilerden biri olabilir:
- "constant": sabit bir değerle doldurur.
- "reflect": Her eksen boyunca vektörün ilk ve son değerlerine göre aynalanmış yansımasıyla doldurur.
- "replicate": dizinin her eksenindeki kenarında son değerin kopyalanmasıyla doldurur.
- "symmetric": dizinin kenarı boyunca aynalanmış vektörün yansımasıyla doldurur.
constant_values (float veya Iterable[float], isteğe bağlı) — mode değeri "constant" ise dolgu için kullanılacak değer.
data_format (str veya ChannelDimension, isteğe bağlı) — Çıktı görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir:
- "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
- "channels_last" veya ChannelDimension.LAST: (yükseklik, genişlik, kanal sayısı) biçiminde görüntü. Belirtilmezse, girdi görüntüsüyle aynı kullanılacaktır.
input_data_format (str veya ChannelDimension, isteğe bağlı) — Girdi görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir:
- "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
- "channels_last" veya ChannelDimension.LAST: (height, width, num_channels) biçiminde görüntü. Belirtilmezse, girdi görüntüsünün çıkarılan biçimi kullanılır.

Dönüş değeri

np.ndarray

Dolgulu görüntü.

image öğesini belirtilen (yükseklik, genişlik) padding ve mode ile doldurur.

transformers.image_transforms.rgb_to_id

< source >

( color )

RGB rengini benzersiz bir kimliğe dönüştürür.

transformers.image_transforms.rescale

< source >

( image: ndarrayscale: floatdata_format: transformers.image_utils.ChannelDimension | None = Nonedtype: dtype = <class 'numpy.float32'>input_data_format: str | transformers.image_utils.ChannelDimension | None = None ) → np.ndarray

Parametreler

image (np.ndarray) — Yeniden ölçeklendirilecek görüntü.
scale (float) — Görseli yeniden ölçeklendirmek için kullanılacak ölçek.
data_format (ChannelDimension, isteğe bağlı) — Görüntünün kanal boyutu biçimi. Belirtilmezse, giriş görüntüsüyle aynı olacaktır.
dtype (np.dtype, isteğe bağlı, varsayılan np.float32) — Çıktı görüntüsünün dtype'ı. Varsayılan olarak np.float32'tür. Özellik çıkarıcılarla geriye dönük uyumluluk için kullanılır.
input_data_format (ChannelDimension, isteğe bağlı) — Girdi görüntüsünün kanal boyutu biçimi. Sağlanmazsa, girdi görüntüsünden çıkarılır.

Dönüş değeri

np.ndarray

Yeniden ölçeklendirilmiş görüntü.

image öğesini scale ile yeniden ölçekler.

transformers.image_transforms.resize

< source >

( image: ndarraysize: tupleresample: typing.Optional[ForwardRef('PILImageResampling')] = Nonereducing_gap: int | None = Nonedata_format: transformers.image_utils.ChannelDimension | None = Nonereturn_numpy: bool = Trueinput_data_format: str | transformers.image_utils.ChannelDimension | None = None ) → np.ndarray

Parametreler

image (np.ndarray) — Boyutu yeniden ayarlanacak görüntü.
size (tuple[int, int]) — Görseli yeniden boyutlandırmak için kullanılacak boyut.
resample (int, isteğe bağlı, varsayılan PILImageResampling.BILINEAR) — Yeniden örneklemeye kullanıcı tarafından kullanılacak filtre.
reducing_gap (int, isteğe bağlı) — Optimizasyonu, görüntüyü iki adımda yeniden boyutlandırarak uygulayın. reducing_gap değeri ne kadar büyükse, sonuç o kadar adil örneklemeye yakın olur. Daha fazla ayrıntı için ilgili Pillow belgesine bakın.
data_format (ChannelDimension, isteğe bağlı) — Çıktı görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.
return_numpy (bool, isteğe bağlı, varsayılan True) — Yeniden boyutlandırılan görüntünün bir numpy dizisi olarak döndürülüp döndürülmeyeceğini belirtir. False ise bir PIL.Image.Image nesnesi döndürülür.
input_data_format (ChannelDimension, isteğe bağlı) — Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

Dönüş değeri

np.ndarray

Yeniden boyutlandırılmış görüntü.

PIL kütüphanesini kullanarak image öğesini size tarafından belirlenen (height, width) boyutlarına yeniden boyutlandırır.

transformers.image_transforms.to_pil_image

< source >

( image: typing.Union[numpy.ndarray, ForwardRef('PIL.Image.Image'), ForwardRef('torch.Tensor')]do_rescale: bool | None = Noneimage_mode: str | None = Noneinput_data_format: str | transformers.image_utils.ChannelDimension | None = None ) → PIL.Image.Image

Parametreler

image (PIL.Image.Image veya numpy.ndarray veya torch.Tensor) — PIL.Image biçimine dönüştürülecek görüntü.
do_rescale (bool, isteğe bağlı) — Ölçekleme çarpanının uygulanıp uygulanmayacağı (piksel değerlerinin 0 ile 255 arasında tamsayı olması için). Görüntü tipi kayan noktalı bir tip ise ve int tipine dönüştürülmesi hassasiyet kaybına yol açacaksa varsayılan olarak True, aksi halde False olur.
image_mode (str, isteğe bağlı) — PIL görüntüsü için kullanılacak mod. Ayarlanmazsa, girdi görüntü türü için varsayılan mod kullanılır.
input_data_format (ChannelDimension, isteğe bağlı) — Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

Dönüş değeri

PIL.Image.Image

Dönüştürülen görüntü.

image öğesini bir PIL Image'ına dönüştürür. Gerekirse yeniden ölçeklendirir ve kanal boyutunu son eksen olarak geri koyar.

ImageProcessingMixin

sınıf transformers.ImageProcessingMixin

< source >

( **kwargs )

Bu, ardışık ve görüntü özellik çıkarıcıları için kaydetme/yükleme işlevselliği sağlamak için kullanılan bir görüntü işleyici karışımıdır (mixin).

fetch_images

< source >

( image_url_or_urls: str | list[str] | list[list[str]] )

Tek bir URL veya URL listesini ilgili PIL.Image nesnelerine dönüştürür.

Tek bir url geçirilirse, dönüş değeri tek bir nesne olacaktır. Bir liste geçirilirse, nesnelerin listesi döndürülür.

from_dict

< source >

( image_processor_dict: dict**kwargs ) → ImageProcessingMixin

Parametreler

image_processor_dict (dict[str, Any]) — Görüntü işleyici nesnesini örneklemek için kullanılacak sözlük. Böyle bir sözlük, to_dict() metodu kullanılarak önceden eğitilmiş bir kontrol noktasından alınabilir.
kwargs (dict[str, Any]) — Görüntü işleyici nesnesini başlatmak için kullanılacak ek parametreler.

Dönüş değeri

ImageProcessingMixin

Bu parametrelerden örneklenen görüntü işleyici nesnesi.

Parametrelerin Python sözlüğünden bir ImageProcessingMixin türü örnekler.

from_json_file

< source >

( json_file: str | os.PathLike ) → A image processor of type ImageProcessingMixin

Parametreler

json_file (str veya os.PathLike) — Parametreleri içeren JSON dosyasının yolu.

Dönüş değeri

Tipi ImageProcessingMixin olan bir görüntü işleyici

O JSON dosyasından örneklenen image_processor nesnesi

Parametrelerin JSON dosyasına giden yoldan ImageProcessingMixin türünde bir görüntü işleyici örnekler.

from_pretrained

< source >

Parametreler

pretrained_model_name_or_path (str veya os.PathLike) — Bunlardan biri olabilir:
- bir dize, huggingface.co'daki bir model deposunda barındırılan ön eğitilmiş bir image_processor'ın model kimliği.
- save_pretrained() yöntemiyle kaydedilmiş bir görüntü işleyici dosyası içeren bir dizin yoluna, örneğin ./my_model_directory/.
- kaydedilmiş bir görüntü işleyici JSON dosyasına giden bir yol, örneğin ./my_model_directory/preprocessor_config.json.
cache_dir (str veya os.PathLike, isteğe bağlı) — Standart önbellek kullanılmayacaksa, indirilen önceden eğitilmiş model görüntü işleyicisinin önbelleğe alınacağı dizinin yolu.
force_download (bool, isteğe bağlı, varsayılan False) — Görsel işleyici dosyalarının indirilmesini (yeniden) zorlayıp mevcut ise önbellekteki sürümleri geçersiz kılıp kılmayacağı.
proxies (dict[str, str], isteğe bağlı) — Protokole veya uç noktaya göre kullanılacak vekil sunucuların sözlüğü, örn. {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Vekiller her istekte kullanılır.
token (str veya bool, isteğe bağlı) — Uzak dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. True ise veya belirtilmezse, hf auth login çalıştırıldığında oluşturulan jeton ( ~/.huggingface içinde saklanır) kullanılır.
revision (str, isteğe bağlı, varsayılan "main") — Kullanılacak belirli model sürümü. huggingface.co üzerinde modelleri ve diğer artefaktları depolamak için git tabanlı bir sistem kullandığımız için bir dal adı, etiket adı veya commit kimliği olabilir; bu nedenle revision, git tarafından izin verilen herhangi bir tanımlayıcı olabilir.

Bir görüntü işleyicisinden ImageProcessingMixin türünün bir örneğini oluşturun.

Örnekler:

# We can't instantiate directly the base class *ImageProcessingMixin* so let's show the examples on a
# derived class: *CLIPImageProcessor*
image_processor = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32"
)  # Download image_processing_config from huggingface.co and cache.
image_processor = CLIPImageProcessor.from_pretrained(
    "./test/saved_model/"
)  # E.g. image processor (or model) was saved using *save_pretrained('./test/saved_model/')*
image_processor = CLIPImageProcessor.from_pretrained("./test/saved_model/preprocessor_config.json")
image_processor = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32", do_normalize=False, foo=False
)
assert image_processor.do_normalize is False
image_processor, unused_kwargs = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32", do_normalize=False, foo=False, return_unused_kwargs=True
)
assert image_processor.do_normalize is False
assert unused_kwargs == {"foo": False}

get_image_processor_dict

< source >

( pretrained_model_name_or_path: str | os.PathLike**kwargs ) → tuple[Dict, Dict]

Parametreler

pretrained_model_name_or_path (str veya os.PathLike) — Parametre sözlüğünü almak istediğimiz önceden eğitilmiş kontrol noktasının tanımlayıcısı.
subfolder (str, isteğe bağlı, varsayılan "") — İlgili dosyalar huggingface.co üzerindeki model deposunun bir alt klasöründe konumlanıyorsa, klasör adını burada belirleyebilirsiniz.
image_processor_filename (str, isteğe bağlı, varsayılan "config.json") — Görsel işleyici yapılandırması için model dizininde kullanılacak dosyanın adı.

Dönüş değeri

tuple[Dict, Dict]

Görsel işleyici nesnesini örneklemek için kullanılacak sözlük(ler).

pretrained_model_name_or_path'den, from_dict kullanılarak ~image_processor_utils.ImageProcessingMixin türünde bir görüntü işleyicisi örneklemek için kullanılacak parametre sözlüğüne çözümlenir.

push_to_hub

< source >

Parametreler

repo_id (str) — Görsel işleyicinizi (image processor) göndermek istediğiniz depoyun adı. Belirli bir organizasyona gönderirken organizasyon adınızı içermelidir.
commit_message (str, isteğe bağlı) — İterken iletilecek mesaj. Varsayılan olarak "Upload image processor" olur.
commit_description (str, isteğe bağlı) — Oluşturulacak commit'in açıklaması
private (bool, isteğe bağlı) — Deponun özel yapılıp yapılmayacağı. None (varsayılan) ise, organizasyonun varsayılanı özel değilse depo herkese açık olur. Depo zaten mevcutsa bu değer yok sayılır.
token (bool veya str, isteğe bağlı) — Uzak dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. True (varsayılan) ise, hf auth login çalıştırıldığında oluşturulan jeton ( ~/.huggingface içinde saklanır) kullanılır.
revision (str, isteğe bağlı) — Yüklenen dosyaların itileceği dal.
create_pr (bool, isteğe bağlı, varsayılan False) — Yüklenen dosyalarla bir PR oluşturulup oluşturulmayacağı veya doğrudan commit atılıp atılmayacağı.
max_shard_size (int veya str, isteğe bağlı, varsayılan "50GB") — Yalnızca modeller için geçerlidir. Bir kontrol noktasının parçalanmadan önceki maksimum boyutu. Parçalanan kontrol noktalarının her biri bu boyuttan küçük olacaktır. Bir dize olarak ifade ediliyorsa, birimden (ör. "5MB") önce rakamlar içermelidir.
tags (list[str], isteğe bağlı) — Hub'a itilecek etiketlerin listesi.

Görsel işleyici dosyasını 🤗 Model Hub'a yükleyin.

Örnekler:

from transformers import AutoImageProcessor

image processor = AutoImageProcessor.from_pretrained("google-bert/bert-base-cased")

# Push the image processor to your namespace with the name "my-finetuned-bert".
image processor.push_to_hub("my-finetuned-bert")

# Push the image processor to an organization with the name "my-finetuned-bert".
image processor.push_to_hub("huggingface/my-finetuned-bert")

register_for_auto_class

< source >

( auto_class = 'AutoImageProcessor' )

Parametreler

auto_class (str veya type, isteğe bağlı, varsayılan "AutoImageProcessor ") — Bu yeni görüntü işleyicisinin kaydedileceği otomatik sınıf.

Bu sınıfı, verilen bir otomatik sınıf ile kaydedin. Bu, kütüphanedeki AutoImageProcessor ile zaten eşlenmiş olanlar dışında, yalnızca özel görüntü işleyiciler için kullanılmalıdır.

save_pretrained

< source >

( save_directory: str | os.PathLikepush_to_hub: bool = False**kwargs )

Parametreler

save_directory (str veya os.PathLike) — Görsel işleyici JSON dosyasının kaydedileceği dizin (varsa oluşturulur).
push_to_hub (bool, isteğe bağlı, varsayılan False) — Modelinizi kaydettikten sonra Hugging Face model hub'ına gönderip göndermeyeceğinizi belirtir. Göndermek istediğiniz depoyu repo_id ile belirtebilirsiniz (varsayılan olarak ad alanınızdaki save_directory adını kullanır).
kwargs (dict[str, Any], isteğe bağlı) — push_to_hub() yöntemine iletilen ek anahtar kelime argümanları.

Bir görüntü işleyici nesnesini, from_pretrained() sınıf yöntemiyle yeniden yüklenebilmesi için save_directory dizinine kaydedin.

to_dict

< source >

( ) → dict[str, Any]

Dönüş değeri

dict[str, Any]

Bu görüntü işleyici örneğini oluşturan tüm özniteliklerin sözlüğü.

Bu örneği bir Python sözlüğüne serialize eder.

to_json_file

< source >

( json_file_path: str | os.PathLike )

Parametreler

json_file_path (str veya os.PathLike) — Bu image_processor örneğinin parametrelerinin kaydedileceği JSON dosyasının yolu.

Bu örneği bir JSON dosyasına kaydedin.

to_json_string

< source >

( ) → str

Dönüş değeri

str

Bu feature_extractor örneğini oluşturan tüm öznitelikleri JSON biçiminde içeren dize.

Bu örneği bir JSON dizgesine serialize eder.

Update on GitHub

Transformers

Görüntü işleyicileri için yardımcı programlar

Görüntü Dönüşümleri

transformers.image_transforms.center_crop

transformers.image_transforms.center_to_corners_format

transformers.image_transforms.corners_to_center_format

transformers.image_transforms.id_to_rgb

transformers.image_transforms.normalize

transformers.image_transforms.pad

transformers.image_transforms.rgb_to_id

transformers.image_transforms.rescale

transformers.image_transforms.resize

transformers.image_transforms.to_pil_image

ImageProcessingMixin

sınıf transformers.ImageProcessingMixin

fetch_images

from_dict

from_json_file

from_pretrained

get_image_processor_dict

push_to_hub

register_for_auto_class

save_pretrained

to_dict

to_json_file

to_json_string