参数

• images (ImageInput) — 待预处理的图像。需要单个或一批像素值在 0 到 255 范围内的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否对输入图像进行填充。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重新缩放图像的因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
• 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_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) — 调整大小后图像的尺寸。如果 keep_aspect_ratio 为 True，则通过选择高度和宽度缩放因子中较小的一个，并将其用于两个维度来调整图像大小。如果还设置了 ensure_multiple_of，则图像将进一步调整为该值的倍数。
• keep_aspect_ratio (bool, 可选, 默认为 self.keep_aspect_ratio) — 如果为 True 且 do_resize=True，则通过选择高度和宽度缩放因子中较小的一个，并将其用于两个维度来调整图像大小。这确保了图像在尽可能少地缩小的同时仍能适应期望的输出尺寸。如果还设置了 ensure_multiple_of，则通过将高度和宽度向下取整到该值的最近倍数，进一步将图像调整为该值的倍数。
• ensure_multiple_of (int, 可选, 默认为 self.ensure_multiple_of) — 如果 do_resize 为 True，则将图像大小调整为此值的倍数。通过将高度和宽度向下取整到该值的最近倍数来实现。

  无论 keep_aspect_ratio 是否设置为 True，此参数都有效。可在 preprocess 中通过 ensure_multiple_of 参数覆盖。

• resample (int, 可选, 默认为 self.resample) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举之一，仅在 do_resize 设置为 True 时生效。
• return_tensors (str 或 TensorType, 可选) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回一个 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回一个 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt'：返回一个 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np'：返回一个 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax'：返回一个 jax.numpy.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：
  • ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，将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：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['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 待预处理的图像。需要单个或一批像素值在 0 到 255 范围内的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, 可选) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型的最大输入尺寸。
• default_to_square (bool, 可选) — 在调整大小时，如果尺寸是整数，是否默认为方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举之一。仅在 do_resize 设置为 True 时生效。
• do_center_crop (bool, 可选) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], 可选) — 应用 center_crop 后输出图像的尺寸。
• do_rescale (bool, 可选) — 是否重新缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，则用于重新缩放图像的因子。
• do_normalize (bool, 可选) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像均值。仅在 do_normalize 设置为 True 时生效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅在 do_normalize 设置为 True 时生效。
• do_convert_rgb (bool, 可选) — 是否将图像转换为 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，将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：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 (torch.device, 可选) — 处理图像的设备。如果未设置，将从输入图像中推断设备。
• disable_grouping (bool, 可选) — 是否禁用按尺寸分组图像，以便单独处理而不是分批处理。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，详见此处：https://github.com/huggingface/transformers/pull/38157
• do_pad (bool, 可选, 默认为 True) — 是否对输入应用填充。
• keep_aspect_ratio (bool, 可选, 默认为 True) — 如果为 True，则通过选择高度和宽度缩放因子中较小的一个，并将其用于两个维度来调整图像大小。这确保了图像在缩小的同时尽可能少地失真，并且仍然能适应期望的输出尺寸。如果同时设置了 ensure_multiple_of，图像将进一步调整大小，使其尺寸是该值的倍数，方法是将高度和宽度向下取整到最接近该值的倍数。该参数可在 preprocess 中被 keep_aspect_ratio 覆盖。
• ensure_multiple_of (int, 可选, 默认为 32) — 如果 do_resize 为 True，则图像将被调整为该值的倍数。其工作原理是将高度和宽度向下取整到最接近该值的倍数。无论 keep_aspect_ratio 是否设置为 True，此参数都有效。该参数可在 preprocess 中被 ensure_multiple_of 覆盖。

• 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], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 来处理图像）。
• labels (torch.LongTensor，形状为 (batch_size, height, width), 可选) — 用于计算损失的真实深度估计图。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 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, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

一个 transformers.modeling_outputs.DepthEstimatorOutput 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或 config.return_dict=False），包含根据配置（ZoeDepthConfig）和输入的不同元素。

• 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), 可选, 当传递 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，则一个用于嵌入层的输出，另外每个层一个输出），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), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, patch_size, sequence_length)。

  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。