参数

• images (ImageInput) — 要预处理的图像。期望一个或一批像素值范围为 0 到 255 的图像。如果传入像素值在 0 到 1 之间的图像，请将 do_rescale 设置为 False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (dict[str, int], 可选, 默认为 self.size) — 调整后的图像尺寸。图像的较短边将被调整到 size[“shortest_edge”]，较长边将被调整以保持输入纵横比。
• size_divisor (int, 可选, 默认为 32) — 确保调整尺寸后的高度和宽度是该值的倍数。
• resample (int, 可选, 默认为 self.resample) — 调整图像大小时使用的重采样过滤器。可以是 PILImageResampling 枚举中的一个。仅当 do_resize 设置为 True 时才生效。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否进行中心裁剪。
• crop_size (dict[str, int], 可选, 默认为 self.crop_size) — 中心裁剪的大小。仅当 do_center_crop 设置为 True 时生效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否进行重缩放。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重缩放图像的因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否进行归一化。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时生效。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时生效。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB。
• 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 类型的批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批次。
• 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：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list, list, list]) — 要预处理的图像。期望是像素值在 0 到 255 之间的单个或批次的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_convert_rgb (bool | None.do_convert_rgb) — 是否将图像转换为 RGB。
• do_resize (bool | None.do_resize) — 是否对图像进行缩放。
• size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 描述模型最大输入尺寸。
• crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 应用 center_crop 后的输出图像大小。
• resample (Annotated[Union[PILImageResampling, int, NoneType], None]) — 如果调整图像大小，则使用的重采样滤波器。可以是枚举值 PILImageResampling 之一。仅当 do_resize 设置为 True 时生效。
• do_rescale (bool | None.do_rescale) — 是否进行重缩放。
• rescale_factor (float | None.rescale_factor) — 如果 do_rescale 设置为 True，则用于重缩放图像的因子。
• do_normalize (bool | None.do_normalize) — 是否进行归一化。
• image_mean (float | list[float] | tuple[float, ...] | None.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时生效。
• image_std (float | list[float] | tuple[float, ...] | None.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时生效。
• do_pad (bool | None.do_pad) — 是否对图像进行填充。填充是根据批次中的最大尺寸或每张固定方形尺寸进行的。确切的填充策略取决于模型。
• pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]) — 要将图像填充到的大小（{"height": int, "width" int}）。必须大于预处理时提供的任何图像尺寸。如果未提供 pad_size，图像将填充到批次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，则从输入图像推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。
• device (Annotated[Union[str, torch.device, NoneType], None]) — 要处理图像的设备。如果未设置，则从输入图像推断设备。
• 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) — 是否禁用按大小对图像进行分组，以便单独处理而不是批量处理。如果为 None，则如果图像在 CPU 上，则设置为 True，否则设置为 False。此选择基于经验观察，如下文所述： https://github.com/huggingface/transformers/pull/38157
• image_seq_length (int | None.image_seq_length) — 用于输入中每张图像的图像 token 数量。为向后兼容而添加，但将来模型应将此设置为主处理器属性。
• size_divisor (<class 'int'>.size_divisor) — 确保高度和宽度都可以被整除的大小。

• 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

• pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。可以使用 TextNetImageProcessorFast 获取像素值。有关详细信息，请参阅 TextNetImageProcessorFast.call()（processor_class 使用 TextNetImageProcessorFast 处理图像）。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通元组。

A transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention or a tuple of torch.FloatTensor (if return_dict=False is passed or when config.return_dict=False) comprising various elements depending on the configuration (TextNetConfig) and inputs.

• last_hidden_state (torch.FloatTensor, 形状为 (batch_size, num_channels, height, width)) — 模型最后一层输出的隐藏状态序列。

• pooler_output (torch.FloatTensor, 形状为 (batch_size, hidden_size)) — 经过空间维度池化操作后的最后一层隐藏状态。

• 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。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size), optional) — 对应于输入图像的张量。可以使用 TextNetImageProcessorFast 获取像素值。有关详细信息，请参阅 TextNetImageProcessorFast.call()（processor_class 使用 TextNetImageProcessorFast 处理图像）。
• labels (torch.LongTensor，形状为 (batch_size,), optional) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 之间。如果 config.num_labels == 1，则计算回归损失（均方损失），如果 config.num_labels > 1，则计算分类损失（交叉熵）。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通元组。

A transformers.modeling_outputs.ImageClassifierOutputWithNoAttention or a tuple of torch.FloatTensor (if return_dict=False is passed or when config.return_dict=False) comprising various elements depending on the configuration (TextNetConfig) and inputs.

• 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) 的 torch.FloatTensor) — 分类（如果 config.num_labels==1，则为回归）分数（SoftMax 之前）。
• 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，加上每阶段的一个输出），形状为 (batch_size, num_channels, height, width)。模型在每个阶段输出的隐藏状态（也称为特征图）。