参数

• images (ImageInput) — 待预处理的图像。期望是单张或一批像素值在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• segmentation_maps (ImageInput, 可选) — 待预处理的分割图。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像尺寸。
• size (dict[str, int], 可选, 默认为 self.size) — 调整尺寸后的图像大小。如果 keep_aspect_ratio 为 True，图像将调整为保持纵横比的最大可能尺寸。如果设置了 ensure_multiple_of，图像将调整为该值的倍数尺寸。
• keep_aspect_ratio (bool, 可选, 默认为 self.keep_aspect_ratio) — 是否保持图像的纵横比。如果为 False，图像将调整为 (size, size)。如果为 True，图像将调整以保持纵横比，并且尺寸将为最大可能值。
• ensure_multiple_of (int, 可选, 默认为 self.ensure_multiple_of) — 确保图像尺寸是该值的倍数。
• resample (int, 可选, 默认为 self.resample) — 调整图像尺寸时使用的重采样滤镜。这可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否将图像像素值重新缩放到 [0 - 1] 之间。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，用于重新缩放图像的比例因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否归一化图像。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 图像均值。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 图像标准差。
• do_reduce_labels (bool, 可选, 默认为 self.do_reduce_labels) — 是否将语义分割图的所有标签值减 1。通常用于将 0 作为背景且背景本身不包含在数据集所有类别中的数据集（例如 ADE20k）。背景标签将被替换为 255。
• return_tensors (str 或 TensorType, 可选) — 返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的 batch。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的 batch。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
  • ChannelDimension.FIRST：(通道数, 高度, 宽度) 格式的图像。
  • ChannelDimension.LAST：(高度, 宽度, 通道数) 格式的图像。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：(通道数, 高度, 宽度) 格式的图像。
  • "channels_last" 或 ChannelDimension.LAST：(高度, 宽度, 通道数) 格式的图像。
  • "none" 或 ChannelDimension.NONE：(高度, 宽度) 格式的图像。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list, list, list]) — 待预处理的图像。期望是单张或一批像素值在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• segmentation_maps (ImageInput, 可选) — 待预处理的分割图。
• do_convert_rgb (bool | None.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• do_resize (bool | None.do_resize) — 是否调整图像尺寸。
• size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 描述模型的最大输入尺寸。
• crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 应用 center_crop 后的输出图像尺寸。
• resample (Annotated[Union[PILImageResampling, int, NoneType], None]) — 调整图像尺寸时使用的重采样滤镜。这可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
• do_rescale (bool | None.do_rescale) — 是否重新缩放图像。
• rescale_factor (float | None.rescale_factor) — 如果 do_rescale 设置为 True，用于重新缩放图像的比例因子。
• do_normalize (bool | None.do_normalize) — 是否归一化图像。
• image_mean (float | list[float] | tuple[float, ...] | None.image_mean) — 归一化时使用的图像均值。仅在 do_normalize 设置为 True 时有效。
• image_std (float | list[float] | tuple[float, ...] | None.image_std) — 归一化时使用的图像标准差。仅在 do_normalize 设置为 True 时有效。
• do_pad (bool | None.do_pad) — 是否填充图像。填充会执行至 batch 中的最大尺寸，或者每张图像固定为正方形尺寸。具体的填充策略取决于模型。
• pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 图像填充的目标尺寸，格式为 {"height": int, "width" int}。必须大于预处理提供的任何图像尺寸。如果未提供 pad_size，图像将填充至 batch 中的最大高度和宽度。仅在 do_pad=True 时应用。
• do_center_crop (bool | None.do_center_crop) — 是否对图像进行中心裁剪。
• data_format (str | ~image_utils.ChannelDimension | None.data_format) — 仅支持 ChannelDimension.FIRST。为了与慢速处理器兼容而添加。
• input_data_format (str | ~image_utils.ChannelDimension | None.input_data_format) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：(通道数, 高度, 宽度) 格式的图像。
  • "channels_last" 或 ChannelDimension.LAST：(高度, 宽度, 通道数) 格式的图像。
  • "none" 或 ChannelDimension.NONE：(高度, 宽度) 格式的图像。
• device (Annotated[Union[str, torch.device, NoneType], None]) — 处理图像的设备。如果未设置，则从输入图像中推断设备。
• return_tensors (Annotated[str | ~utils.generic.TensorType | None, None]) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• disable_grouping (bool | None.disable_grouping) — 是否禁用按尺寸对图像进行分组，以便逐个处理图像而不是 batch 处理。如果为 None，若图像在 CPU 上，将设置为 True，否则为 False。此选择基于经验观察，详情见此处：https://github.com/huggingface/transformers/pull/38157
• image_seq_length (int | None.image_seq_length) — 输入中每张图像所使用的图像 token 数量。为向后兼容而添加，但在未来的模型中，这应被设置为处理器的一个属性。
• ensure_multiple_of (int, 可选, 默认为 1) — 如果 do_resize 为 True，图像将调整为该值的倍数尺寸。可以在 preprocess 中通过 ensure_multiple_of 参数覆盖。
• size_divisor (<class 'int'>.size_divisor) — 确保高度和宽度都能被该值整除。
• keep_aspect_ratio (bool, 可选, 默认为 False) — 如果为 True，图像将调整为保持纵横比的最大可能尺寸。可以在 preprocess 中通过 keep_aspect_ratio 参数覆盖。
• do_reduce_labels (bool, 可选, 默认为 self.do_reduce_labels) — 是否将语义分割图的所有标签值减 1。通常用于将 0 作为背景且背景本身不包含在数据集所有类别中的数据集（例如 ADE20k）。背景标签将被替换为 255。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], optional) — 您可以在此处提供 tensor_type 以在初始化时将整数列表转换为 PyTorch/Numpy 张量。

参数

• outputs (DPTForSemanticSegmentation) — 模型的原始输出。
• target_sizes (list[Tuple]，长度为 batch_size, 可选) — 包含每个预测结果请求的最终尺寸 (高度, 宽度) 的元组列表。如果未设置，则不会调整预测结果的尺寸。

list[torch.Tensor] of length batch_size, where each item is a semantic segmentation map of shape (height, width) corresponding to the target_sizes entry (if target_sizes is specified). Each entry of each torch.Tensor correspond to a semantic class id.

参数

• outputs (DepthEstimatorOutput) — 模型的原始输出。
• target_sizes (TensorType 或 List[Tuple[int, int]]，可选) — 形状为 (batch_size, 2) 的张量或包含批次中每张图像目标尺寸（高度, 宽度）的元组列表（Tuple[int, int]）。如果保持为 None，则不会调整预测结果的大小。

包含张量的字典列表，表示处理后的深度预测结果。

参数

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 对应于输入图像的张量。像素值可以使用 DPTImageProcessorFast 获取。有关详情，请参阅 DPTImageProcessorFast.call()（processor_class 使用 DPTImageProcessorFast 处理图像）。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。有关更多详情，请参阅返回张量下的 hidden_states。

一个 transformers.models.dpt.modeling_dpt.BaseModelOutputWithPoolingAndIntermediateActivations 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False 时），包含根据配置（DPTConfig）和输入而异的各种元素。

• last_hidden_state (torch.FloatTensor | None.last_hidden_state, shape (batch_size, sequence_length, hidden_size), 默认为 None) — 模型最后一层的输出的隐藏状态序列。

• pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)) — 序列第一个 token（分类 token）在进一步通过用于辅助预训练任务的层后的最后一个隐藏状态。例如，对于 BERT 系列模型，这会返回经过线性层和 tanh 激活函数处理后的分类 token。线性层的权重是通过预训练期间的下一句预测（分类）目标来训练的。

• hidden_states (tuple[torch.FloatTensor, ...] | None.hidden_states, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型有嵌入层，+ 每个层的输出）。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor, ...] | None.attentions, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

• intermediate_activations (tuple(torch.FloatTensor)，可选) — 可用于计算模型各层隐藏状态的中间激活值。

参数

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 对应于输入图像的张量。像素值可以使用 DPTImageProcessorFast 获取。有关详情，请参阅 DPTImageProcessorFast.call()（processor_class 使用 DPTImageProcessorFast 处理图像）。
• labels (形状为 (batch_size, height, width) 的 torch.LongTensor，可选) — 用于计算损失的地面真值（Ground truth）深度估计图。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。有关更多详情，请参阅返回张量下的 hidden_states。

一个 transformers.modeling_outputs.DepthEstimatorOutput 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False 时），包含根据配置（DPTConfig）和输入而异的各种元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。

• predicted_depth (torch.FloatTensor，形状为 (batch_size, height, width)) — 每个像素的预测深度。

• hidden_states (tuple(torch.FloatTensor), optional, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则包含一个嵌入层输出，加上每层的一个输出），形状为 (batch_size, num_channels, height, width)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, patch_size, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor，可选) — 对应于输入图像的张量。像素值可以使用 DPTImageProcessorFast 获取。有关详情，请参阅 DPTImageProcessorFast.call()（processor_class 使用 DPTImageProcessorFast 处理图像）。
• labels (形状为 (batch_size, height, width) 的 torch.LongTensor，可选) — 用于计算损失的地面真值语义分割图。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels > 1，则计算分类损失（交叉熵）。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。有关更多详情，请参阅返回张量下的 hidden_states。

一个 transformers.modeling_outputs.SemanticSegmenterOutput 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False 时），包含根据配置（DPTConfig）和输入而异的各种元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。

• logits (形状为 (batch_size, config.num_labels, logits_height, logits_width) 的 torch.FloatTensor) — 每个像素的分类分数。

  返回的 logits 大小不一定与传入的 pixel_values 相同。这是为了避免在用户需要将 logits 大小调整回原始图像大小时进行两次插值并损失质量。您应该始终检查 logits 形状并根据需要进行调整。

• hidden_states (tuple(torch.FloatTensor), optional, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则包含一个嵌入层输出，加上每层的一个输出），形状为 (batch_size, patch_size, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, patch_size, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。