Place Arrange in transforms and Add ReloadMask

paddlers/datasets/cd_dataset.py

@@ -18,7 +18,6 @@ import os.path as osp
 
 from .base import BaseDataset
 from paddlers.utils import logging, get_encoding, norm_path, is_pic
-from paddlers.transforms import decode_seg_mask
 
 
 class CDDataset(BaseDataset):
@@ -36,7 +35,6 @@ class CDDataset(BaseDataset):
             系统的实际CPU核数设置`num_workers`: 如果CPU核数的一半大于8，则`num_workers`为8，否则为CPU核数的
             一半。
         shuffle (bool): 是否需要对数据集中样本打乱顺序。默认为False。
-        apply_im_only (bool, optional): 是否绕过对标签的数据增强和预处理。在模型验证和推理阶段一般指定此选项为True。默认为False。
         with_seg_labels (bool, optional): 数据集中是否包含两个时相的语义分割标签。默认为False。
         binarize_labels (bool, optional): 是否对数据集中的标签进行二值化操作。默认为False。
     """
@@ -48,7 +46,6 @@ class CDDataset(BaseDataset):
                  transforms=None,
                  num_workers='auto',
                  shuffle=False,
-                 apply_im_only=False,
                  with_seg_labels=False,
                  binarize_labels=False):
         super(CDDataset, self).__init__(data_dir, label_list, transforms,
@@ -61,7 +58,6 @@ class CDDataset(BaseDataset):
         self.file_list = list()
         self.labels = list()
         self.with_seg_labels = with_seg_labels
-        self.apply_im_only = apply_im_only
         if self.with_seg_labels:
             num_items = 5  # RGB1, RGB2, CD, Seg1, Seg2
         else:
@@ -131,26 +127,8 @@ class CDDataset(BaseDataset):
 
     def __getitem__(self, idx):
         sample = copy.deepcopy(self.file_list[idx])
-
-        if self.apply_im_only:
-            has_mask, has_aux_masks = False, False
-            if 'mask' in sample:
-                has_mask = True
-                mask = decode_seg_mask(sample['mask'])
-                del sample['mask']
-            if 'aux_masks' in sample:
-                has_aux_masks = True
-                aux_masks = list(map(decode_seg_mask, sample['aux_masks']))
-                del sample['aux_masks']
-
         sample = self.transforms.apply_transforms(sample)
 
-        if self.apply_im_only:
-            if has_mask:
-                sample['mask'] = mask
-            if has_aux_masks:
-                sample['aux_masks'] = aux_masks
-
         if self.binarize_labels:
             # Requires 'mask' to exist
             sample['mask'] = self._binarize(sample['mask'])

paddlers/datasets/seg_dataset.py

@@ -17,7 +17,6 @@ import copy
 
 from .base import BaseDataset
 from paddlers.utils import logging, get_encoding, norm_path, is_pic
-from paddlers.transforms import decode_seg_mask
 
 
 class SegDataset(BaseDataset):
@@ -32,7 +31,6 @@ class SegDataset(BaseDataset):
             系统的实际CPU核数设置`num_workers`: 如果CPU核数的一半大于8，则`num_workers`为8，否则为CPU核数的
             一半。
         shuffle (bool): 是否需要对数据集中样本打乱顺序。默认为False。
-        apply_im_only (bool, optional): 是否绕过对标签的数据增强和预处理。在模型验证和推理阶段一般指定此选项为True。默认为False。
     """
 
     def __init__(self,
@@ -41,15 +39,13 @@ class SegDataset(BaseDataset):
                  label_list=None,
                  transforms=None,
                  num_workers='auto',
-                 shuffle=False,
-                 apply_im_only=False):
+                 shuffle=False):
         super(SegDataset, self).__init__(data_dir, label_list, transforms,
                                          num_workers, shuffle)
         # TODO batch padding
         self.batch_transforms = None
         self.file_list = list()
         self.labels = list()
-        self.apply_im_only = apply_im_only
 
         # TODO：非None时，让用户跳转数据集分析生成label_list
         # 不要在此处分析label file
@@ -86,21 +82,5 @@ class SegDataset(BaseDataset):
         logging.info("{} samples in file {}".format(
             len(self.file_list), file_list))
 
-    def __getitem__(self, idx):
-        sample = copy.deepcopy(self.file_list[idx])
-        if self.apply_im_only:
-            has_mask = False
-            if 'mask' in sample:
-                has_mask = True
-                mask = decode_seg_mask(sample['mask'])
-                del sample['mask']
-            sample = self.transforms.apply_transforms(sample)
-            if has_mask:
-                sample['mask'] = mask
-            outputs = self.transforms.arrange_outputs(sample)
-        else:
-            outputs = super().__getitem__(idx)
-        return outputs
-
     def __len__(self):
         return len(self.file_list)

paddlers/transforms/__init__.py

@@ -15,9 +15,6 @@
 import copy
 import os.path as osp
 
-import numpy as np
-from PIL import Image
-
 from .operators import *
 from .batch_operators import BatchRandomResize, BatchRandomResizeByShort, _BatchPad
 from paddlers import transforms as T
@@ -39,6 +36,9 @@ def decode_image(im_path,
             Defaults to True.
         decode_sar (bool, optional): If True, automatically interpret a two-channel geo image (e.g. geotiff images) as a 
             SAR image, set this argument to True. Defaults to True.
+
+    Returns:
+        np.ndarray: Decoded image.
     """
 
     # Do a presence check. osp.exists() assumes `im_path` is a path-like object.
@@ -55,19 +55,6 @@ def decode_image(im_path,
     return sample['image']
 
 
-def decode_seg_mask(mask_path):
-    """
-    Decode a segmentation mask image.
-    
-    Args:
-        mask_path (str): Path of the mask image to decode.
-    """
-
-    mask = np.asarray(Image.open(mask_path))
-    mask = mask.astype('int64')
-    return mask
-
-
 def build_transforms(transforms_info):
     transforms = list()
     for op_info in transforms_info:

paddlers/transforms/functions.py

@@ -21,6 +21,7 @@ from shapely.geometry import Polygon, MultiPolygon, GeometryCollection
 from sklearn.linear_model import LinearRegression
 from skimage import exposure
 from joblib import load
+from PIL import Image
 
 
 def normalize(im, mean, std, min_value=[0, 0, 0], max_value=[255, 255, 255]):
@@ -623,3 +624,19 @@ def inv_pca(im, joblib_path):
     r_im = pca.inverse_transform(n_im)
     r_im = np.reshape(r_im, (H, W, -1))
     return r_im
+
+
+def decode_seg_mask(mask_path):
+    """
+    Decode a segmentation mask image.
+    
+    Args:
+        mask_path (str): Path of the mask image to decode.
+
+    Returns:
+        np.ndarray: Decoded mask image.
+    """
+
+    mask = np.asarray(Image.open(mask_path))
+    mask = mask.astype('int64')
+    return mask

paddlers/transforms/operators.py

@@ -30,39 +30,21 @@ from PIL import Image
 from joblib import load
 
 import paddlers
-from .functions import normalize, horizontal_flip, permute, vertical_flip, center_crop, is_poly, \
-    horizontal_flip_poly, horizontal_flip_rle, vertical_flip_poly, vertical_flip_rle, crop_poly, \
-    crop_rle, expand_poly, expand_rle, resize_poly, resize_rle, dehaze, select_bands, \
-    to_intensity, to_uint8, img_flip, img_simple_rotate
+from .functions import (
+    normalize, horizontal_flip, permute, vertical_flip, center_crop, is_poly,
+    horizontal_flip_poly, horizontal_flip_rle, vertical_flip_poly,
+    vertical_flip_rle, crop_poly, crop_rle, expand_poly, expand_rle,
+    resize_poly, resize_rle, dehaze, select_bands, to_intensity, to_uint8,
+    img_flip, img_simple_rotate, decode_seg_mask)
 
 __all__ = [
-    "Compose",
-    "DecodeImg",
-    "Resize",
-    "RandomResize",
-    "ResizeByShort",
-    "RandomResizeByShort",
-    "ResizeByLong",
-    "RandomHorizontalFlip",
-    "RandomVerticalFlip",
-    "Normalize",
-    "CenterCrop",
-    "RandomCrop",
-    "RandomScaleAspect",
-    "RandomExpand",
-    "Pad",
-    "MixupImage",
-    "RandomDistort",
-    "RandomBlur",
-    "RandomSwap",
-    "Dehaze",
-    "ReduceDim",
-    "SelectBand",
-    "ArrangeSegmenter",
-    "ArrangeChangeDetector",
-    "ArrangeClassifier",
-    "ArrangeDetector",
-    "RandomFlipOrRotate",
+    "Compose", "DecodeImg", "Resize", "RandomResize", "ResizeByShort",
+    "RandomResizeByShort", "ResizeByLong", "RandomHorizontalFlip",
+    "RandomVerticalFlip", "Normalize", "CenterCrop", "RandomCrop",
+    "RandomScaleAspect", "RandomExpand", "Pad", "MixupImage", "RandomDistort",
+    "RandomBlur", "RandomSwap", "Dehaze", "ReduceDim", "SelectBand",
+    "ArrangeSegmenter", "ArrangeChangeDetector", "ArrangeClassifier",
+    "ArrangeDetector", "RandomFlipOrRotate", "ReloadMask"
 ]
 
 interp_dict = {
@@ -80,16 +62,15 @@ class Compose(object):
     All input images should be in Height-Width-Channel ([H, W, C]) format.
 
     Args:
-        transforms (list[paddlers.transforms.Transform]): List of data preprocess or augmentation operators.
-        arrange (list[paddlers.transforms.Arrange]|None, optional): If not None, the Arrange operator will be used to 
-            arrange the outputs of `transforms`. Defaults to None. 
+        transforms (list[paddlers.transforms.Transform]): List of data preprocess or
+            augmentation operators.
 
     Raises:
         TypeError: Invalid type of transforms.
         ValueError: Invalid length of transforms.
     """
 
-    def __init__(self, transforms, arrange=None):
+    def __init__(self, transforms):
         super(Compose, self).__init__()
         if not isinstance(transforms, list):
             raise TypeError(
@@ -99,12 +80,14 @@ class Compose(object):
             raise ValueError(
                 "Length of transforms must not be less than 1, but received is {}."
                 .format(len(transforms)))
+        transforms = copy.deepcopy(transforms)
+        self.arrange = self._pick_arrange(transforms)
         self.transforms = transforms
-        self.arrange = arrange
 
     def __call__(self, sample):
         """
-        This is equivalent to sequentially calling compose_obj.apply_transforms() and compose_obj.arrange_outputs().
+        This is equivalent to sequentially calling compose_obj.apply_transforms() 
+            and compose_obj.arrange_outputs().
         """
 
         sample = self.apply_transforms(sample)
@@ -126,6 +109,17 @@ class Compose(object):
             sample = self.arrange(sample)
         return sample
 
+    def _pick_arrange(self, transforms):
+        arrange = None
+        for idx, op in enumerate(transforms):
+            if isinstance(op, Arrange):
+                if idx != len(transforms) - 1:
+                    raise ValueError(
+                        "Arrange operator must be placed at the end of the list."
+                    )
+                arrange = transforms.pop(idx)
+        return arrange
+
 
 class Transform(object):
     """
@@ -270,7 +264,9 @@ class DecodeImg(Transform):
         Returns:
             dict: Decoded sample.
         """
+
         if 'image' in sample:
+            sample['image_ori'] = copy.deepcopy(sample['image'])
             sample['image'] = self.apply_im(sample['image'])
         if 'image2' in sample:
             sample['image2'] = self.apply_im(sample['image2'])
@@ -280,6 +276,7 @@ class DecodeImg(Transform):
             sample['image'] = self.apply_im(sample['image_t1'])
             sample['image2'] = self.apply_im(sample['image_t2'])
         if 'mask' in sample:
+            sample['mask_ori'] = copy.deepcopy(sample['mask'])
             sample['mask'] = self.apply_mask(sample['mask'])
             im_height, im_width, _ = sample['image'].shape
             se_height, se_width = sample['mask'].shape
@@ -287,6 +284,7 @@ class DecodeImg(Transform):
                 raise ValueError(
                     "The height or width of the image is not same as the mask.")
         if 'aux_masks' in sample:
+            sample['aux_masks_ori'] = copy.deepcopy(sample['aux_masks_ori'])
             sample['aux_masks'] = list(
                 map(self.apply_mask, sample['aux_masks']))
             # TODO: check the shape of auxiliary masks
@@ -1759,6 +1757,15 @@ class RandomSwap(Transform):
         return sample
 
 
+class ReloadMask(Transform):
+    def apply(self, sample):
+        sample['mask'] = decode_seg_mask(sample['mask_ori'])
+        if 'aux_masks' in sample:
+            sample['aux_masks'] = list(
+                map(decode_seg_mask, sample['aux_masks_ori']))
+        return sample
+
+
 class Arrange(Transform):
     def __init__(self, mode):
         super().__init__()

tests/deploy/test_predictor.py

@@ -120,12 +120,10 @@ class TestCDPredictor(TestPredictor):
         t2_path = "data/ssmt/optical_t2.bmp"
         single_input = (t1_path, t2_path)
         num_inputs = 2
-        transforms = pdrs.transforms.Compose(
-            [
-                pdrs.transforms.DecodeImg(),
-                pdrs.transforms.Normalize(),
-            ],
-            arrange=pdrs.transforms.ArrangeChangeDetector('test'))
+        transforms = pdrs.transforms.Compose([
+            pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize(),
+            pdrs.transforms.ArrangeChangeDetector('test')
+        ])
 
         # Expected failure
         with self.assertRaises(ValueError):
@@ -189,9 +187,10 @@ class TestClasPredictor(TestPredictor):
     def check_predictor(self, predictor, trainer):
         single_input = "data/ssmt/optical_t1.bmp"
         num_inputs = 2
-        transforms = pdrs.transforms.Compose(
-            [pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize()],
-            arrange=pdrs.transforms.ArrangeClassifier('test'))
+        transforms = pdrs.transforms.Compose([
+            pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize(),
+            pdrs.transforms.ArrangeClassifier('test')
+        ])
         labels = list(range(2))
         trainer.labels = labels
         predictor._model.labels = labels
@@ -256,9 +255,10 @@ class TestDetPredictor(TestPredictor):
         # given that the network is (partially?) randomly initialized.
         single_input = "data/ssmt/optical_t1.bmp"
         num_inputs = 2
-        transforms = pdrs.transforms.Compose(
-            [pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize()],
-            arrange=pdrs.transforms.ArrangeDetector('test'))
+        transforms = pdrs.transforms.Compose([
+            pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize(),
+            pdrs.transforms.ArrangeDetector('test')
+        ])
         labels = list(range(80))
         trainer.labels = labels
         predictor._model.labels = labels
@@ -312,12 +312,10 @@ class TestSegPredictor(TestPredictor):
     def check_predictor(self, predictor, trainer):
         single_input = "data/ssmt/optical_t1.bmp"
         num_inputs = 2
-        transforms = pdrs.transforms.Compose(
-            [
-                pdrs.transforms.DecodeImg(),
-                pdrs.transforms.Normalize(),
-            ],
-            arrange=pdrs.transforms.ArrangeSegmenter('test'))
+        transforms = pdrs.transforms.Compose([
+            pdrs.transforms.DecodeImg(), pdrs.transforms.Normalize(),
+            pdrs.transforms.ArrangeSegmenter('test')
+        ])
 
         # Single input (file path)
         input_ = single_input

tutorials/train/change_detection/bit.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/cdnet.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/dsamnet.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/dsifn.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/fc_ef.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/fc_siam_conc.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/fc_siam_diff.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/snunet.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/change_detection/stanet.py

@@ -22,34 +22,33 @@ pdrs.utils.download_and_decompress(airchange_dataset, path=DATA_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 随机裁剪
-        T.RandomCrop(
-            # 裁剪区域将被缩放到256x256
-            crop_size=256,
-            # 裁剪区域的横纵比在0.5-2之间变动
-            aspect_ratio=[0.5, 2.0],
-            # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
-            scaling=[0.2, 1.0]),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 随机裁剪
+    T.RandomCrop(
+        # 裁剪区域将被缩放到256x256
+        crop_size=256,
+        # 裁剪区域的横纵比在0.5-2之间变动
+        aspect_ratio=[0.5, 2.0],
+        # 裁剪区域相对原始影像长宽比例在一定范围内变动，最小不低于原始长宽的1/5
+        scaling=[0.2, 1.0]),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeChangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeChangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ReloadMask(),
+    T.ArrangeChangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.CDDataset(
@@ -69,7 +68,6 @@ eval_dataset = pdrs.datasets.CDDataset(
     transforms=eval_transforms,
     num_workers=0,
     shuffle=False,
-    apply_im_only=True,
     with_seg_labels=False,
     binarize_labels=True)
 

tutorials/train/classification/condensenetv2_b_rs_mul.py

@@ -2,25 +2,23 @@ import paddlers as pdrs
 from paddlers import transforms as T
 
 # 定义训练和验证时的transforms
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        T.SelectBand([5, 10, 15, 20, 25]),  # for tet
-        T.Resize(target_size=224),
-        T.RandomHorizontalFlip(),
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    T.SelectBand([5, 10, 15, 20, 25]),  # for tet
+    T.Resize(target_size=224),
+    T.RandomHorizontalFlip(),
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(), T.SelectBand([5, 10, 15, 20, 25]),
-        T.Resize(target_size=224), T.Normalize(
-            mean=[0.5, 0.5, 0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(), T.SelectBand([5, 10, 15, 20, 25]), T.Resize(target_size=224),
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5, 0.5, 0.5],
+        std=[0.5, 0.5, 0.5, 0.5, 0.5]), T.ArrangeClassifier('eval')
+])
 
 # 定义训练和验证所用的数据集
 train_dataset = pdrs.datasets.ClasDataset(

tutorials/train/classification/hrnet.py

@@ -26,31 +26,29 @@ pdrs.utils.download_and_decompress(ucmerced_dataset, path=DOWNLOAD_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 将影像缩放到256x256大小
-        T.Resize(target_size=256),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 以50%的概率实施随机垂直翻转
-        T.RandomVerticalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 将影像缩放到256x256大小
+    T.Resize(target_size=256),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 以50%的概率实施随机垂直翻转
+    T.RandomVerticalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        T.Resize(target_size=256),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    T.Resize(target_size=256),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.ClasDataset(

tutorials/train/classification/mobilenetv3.py

@@ -26,31 +26,29 @@ pdrs.utils.download_and_decompress(ucmerced_dataset, path=DOWNLOAD_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 将影像缩放到256x256大小
-        T.Resize(target_size=256),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 以50%的概率实施随机垂直翻转
-        T.RandomVerticalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 将影像缩放到256x256大小
+    T.Resize(target_size=256),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 以50%的概率实施随机垂直翻转
+    T.RandomVerticalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        T.Resize(target_size=256),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    T.Resize(target_size=256),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.ClasDataset(

tutorials/train/classification/resnet50_vd.py

@@ -26,31 +26,29 @@ pdrs.utils.download_and_decompress(ucmerced_dataset, path=DOWNLOAD_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 将影像缩放到256x256大小
-        T.Resize(target_size=256),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 以50%的概率实施随机垂直翻转
-        T.RandomVerticalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 将影像缩放到256x256大小
+    T.Resize(target_size=256),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 以50%的概率实施随机垂直翻转
+    T.RandomVerticalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        T.Resize(target_size=256),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
-    ],
-    arrange=T.ArrangeClassifier('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    T.Resize(target_size=256),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
+    T.ArrangeClassifier('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.ClasDataset(

tutorials/train/object_detection/faster_rcnn.py

@@ -29,39 +29,37 @@ if not os.path.exists(DATA_DIR):
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 对输入影像施加随机色彩扰动
-        T.RandomDistort(),
-        # 在影像边界进行随机padding
-        T.RandomExpand(),
-        # 随机裁剪，裁块大小在一定范围内变动
-        T.RandomCrop(),
-        # 随机水平翻转
-        T.RandomHorizontalFlip(),
-        # 对batch进行随机缩放，随机选择插值方式
-        T.BatchRandomResize(
-            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
-            interp='RANDOM'),
-        # 影像归一化
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 对输入影像施加随机色彩扰动
+    T.RandomDistort(),
+    # 在影像边界进行随机padding
+    T.RandomExpand(),
+    # 随机裁剪，裁块大小在一定范围内变动
+    T.RandomCrop(),
+    # 随机水平翻转
+    T.RandomHorizontalFlip(),
+    # 对batch进行随机缩放，随机选择插值方式
+    T.BatchRandomResize(
+        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
+        interp='RANDOM'),
+    # 影像归一化
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 使用双三次插值将输入影像缩放到固定大小
-        T.Resize(
-            target_size=608, interp='CUBIC'),
-        # 验证阶段与训练阶段的归一化方式必须相同
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 使用双三次插值将输入影像缩放到固定大小
+    T.Resize(
+        target_size=608, interp='CUBIC'),
+    # 验证阶段与训练阶段的归一化方式必须相同
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.VOCDetection(

tutorials/train/object_detection/ppyolo.py

@@ -30,39 +30,37 @@ if not os.path.exists(DATA_DIR):
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 对输入影像施加随机色彩扰动
-        T.RandomDistort(),
-        # 在影像边界进行随机padding
-        T.RandomExpand(),
-        # 随机裁剪，裁块大小在一定范围内变动
-        T.RandomCrop(),
-        # 随机水平翻转
-        T.RandomHorizontalFlip(),
-        # 对batch进行随机缩放，随机选择插值方式
-        T.BatchRandomResize(
-            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
-            interp='RANDOM'),
-        # 影像归一化
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 对输入影像施加随机色彩扰动
+    T.RandomDistort(),
+    # 在影像边界进行随机padding
+    T.RandomExpand(),
+    # 随机裁剪，裁块大小在一定范围内变动
+    T.RandomCrop(),
+    # 随机水平翻转
+    T.RandomHorizontalFlip(),
+    # 对batch进行随机缩放，随机选择插值方式
+    T.BatchRandomResize(
+        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
+        interp='RANDOM'),
+    # 影像归一化
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 使用双三次插值将输入影像缩放到固定大小
-        T.Resize(
-            target_size=608, interp='CUBIC'),
-        # 验证阶段与训练阶段的归一化方式必须相同
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 使用双三次插值将输入影像缩放到固定大小
+    T.Resize(
+        target_size=608, interp='CUBIC'),
+    # 验证阶段与训练阶段的归一化方式必须相同
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.VOCDetection(

tutorials/train/object_detection/ppyolotiny.py

@@ -30,39 +30,37 @@ if not os.path.exists(DATA_DIR):
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 对输入影像施加随机色彩扰动
-        T.RandomDistort(),
-        # 在影像边界进行随机padding
-        T.RandomExpand(),
-        # 随机裁剪，裁块大小在一定范围内变动
-        T.RandomCrop(),
-        # 随机水平翻转
-        T.RandomHorizontalFlip(),
-        # 对batch进行随机缩放，随机选择插值方式
-        T.BatchRandomResize(
-            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
-            interp='RANDOM'),
-        # 影像归一化
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 对输入影像施加随机色彩扰动
+    T.RandomDistort(),
+    # 在影像边界进行随机padding
+    T.RandomExpand(),
+    # 随机裁剪，裁块大小在一定范围内变动
+    T.RandomCrop(),
+    # 随机水平翻转
+    T.RandomHorizontalFlip(),
+    # 对batch进行随机缩放，随机选择插值方式
+    T.BatchRandomResize(
+        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
+        interp='RANDOM'),
+    # 影像归一化
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 使用双三次插值将输入影像缩放到固定大小
-        T.Resize(
-            target_size=608, interp='CUBIC'),
-        # 验证阶段与训练阶段的归一化方式必须相同
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 使用双三次插值将输入影像缩放到固定大小
+    T.Resize(
+        target_size=608, interp='CUBIC'),
+    # 验证阶段与训练阶段的归一化方式必须相同
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.VOCDetection(

tutorials/train/object_detection/ppyolov2.py

@@ -30,39 +30,37 @@ if not os.path.exists(DATA_DIR):
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 对输入影像施加随机色彩扰动
-        T.RandomDistort(),
-        # 在影像边界进行随机padding
-        T.RandomExpand(),
-        # 随机裁剪，裁块大小在一定范围内变动
-        T.RandomCrop(),
-        # 随机水平翻转
-        T.RandomHorizontalFlip(),
-        # 对batch进行随机缩放，随机选择插值方式
-        T.BatchRandomResize(
-            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
-            interp='RANDOM'),
-        # 影像归一化
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 对输入影像施加随机色彩扰动
+    T.RandomDistort(),
+    # 在影像边界进行随机padding
+    T.RandomExpand(),
+    # 随机裁剪，裁块大小在一定范围内变动
+    T.RandomCrop(),
+    # 随机水平翻转
+    T.RandomHorizontalFlip(),
+    # 对batch进行随机缩放，随机选择插值方式
+    T.BatchRandomResize(
+        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
+        interp='RANDOM'),
+    # 影像归一化
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 使用双三次插值将输入影像缩放到固定大小
-        T.Resize(
-            target_size=608, interp='CUBIC'),
-        # 验证阶段与训练阶段的归一化方式必须相同
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 使用双三次插值将输入影像缩放到固定大小
+    T.Resize(
+        target_size=608, interp='CUBIC'),
+    # 验证阶段与训练阶段的归一化方式必须相同
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.VOCDetection(

tutorials/train/object_detection/yolov3.py

@@ -30,39 +30,37 @@ if not os.path.exists(DATA_DIR):
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 对输入影像施加随机色彩扰动
-        T.RandomDistort(),
-        # 在影像边界进行随机padding
-        T.RandomExpand(),
-        # 随机裁剪，裁块大小在一定范围内变动
-        T.RandomCrop(),
-        # 随机水平翻转
-        T.RandomHorizontalFlip(),
-        # 对batch进行随机缩放，随机选择插值方式
-        T.BatchRandomResize(
-            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
-            interp='RANDOM'),
-        # 影像归一化
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 对输入影像施加随机色彩扰动
+    T.RandomDistort(),
+    # 在影像边界进行随机padding
+    T.RandomExpand(),
+    # 随机裁剪，裁块大小在一定范围内变动
+    T.RandomCrop(),
+    # 随机水平翻转
+    T.RandomHorizontalFlip(),
+    # 对batch进行随机缩放，随机选择插值方式
+    T.BatchRandomResize(
+        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
+        interp='RANDOM'),
+    # 影像归一化
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        # 使用双三次插值将输入影像缩放到固定大小
-        T.Resize(
-            target_size=608, interp='CUBIC'),
-        # 验证阶段与训练阶段的归一化方式必须相同
-        T.Normalize(
-            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
-    ],
-    arrange=T.ArrangeDetector('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    # 使用双三次插值将输入影像缩放到固定大小
+    T.Resize(
+        target_size=608, interp='CUBIC'),
+    # 验证阶段与训练阶段的归一化方式必须相同
+    T.Normalize(
+        mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    T.ArrangeDetector('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.VOCDetection(

tutorials/train/semantic_segmentation/deeplabv3p.py

@@ -29,29 +29,28 @@ pdrs.utils.download_and_decompress(seg_dataset, path=DOWNLOAD_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 将影像缩放到512x512大小
-        T.Resize(target_size=512),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS)
-    ],
-    arrange=T.ArrangeSegmenter('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 将影像缩放到512x512大小
+    T.Resize(target_size=512),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS),
+    T.ArrangeSegmenter('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        T.Resize(target_size=512),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS)
-    ],
-    arrange=T.ArrangeSegmenter('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    T.Resize(target_size=512),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS),
+    T.ReloadMask(),
+    T.ArrangeSegmenter('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.SegDataset(
@@ -68,8 +67,7 @@ eval_dataset = pdrs.datasets.SegDataset(
     label_list=LABEL_LIST_PATH,
     transforms=eval_transforms,
     num_workers=0,
-    shuffle=False,
-    apply_im_only=True)
+    shuffle=False)
 
 # 构建DeepLab V3+模型，使用ResNet-50作为backbone
 # 目前已支持的模型请参考：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/model_zoo.md

tutorials/train/semantic_segmentation/unet.py

@@ -29,29 +29,28 @@ pdrs.utils.download_and_decompress(seg_dataset, path=DOWNLOAD_DIR)
 # 定义训练和验证时使用的数据变换（数据增强、预处理等）
 # 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
 # API说明：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/transforms.md
-train_transforms = T.Compose(
-    [
-        # 读取影像
-        T.DecodeImg(),
-        # 将影像缩放到512x512大小
-        T.Resize(target_size=512),
-        # 以50%的概率实施随机水平翻转
-        T.RandomHorizontalFlip(prob=0.5),
-        # 将数据归一化到[-1,1]
-        T.Normalize(
-            mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS)
-    ],
-    arrange=T.ArrangeSegmenter('train'))
+train_transforms = T.Compose([
+    # 读取影像
+    T.DecodeImg(),
+    # 将影像缩放到512x512大小
+    T.Resize(target_size=512),
+    # 以50%的概率实施随机水平翻转
+    T.RandomHorizontalFlip(prob=0.5),
+    # 将数据归一化到[-1,1]
+    T.Normalize(
+        mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS),
+    T.ArrangeSegmenter('train')
+])
 
-eval_transforms = T.Compose(
-    [
-        T.DecodeImg(),
-        T.Resize(target_size=512),
-        # 验证阶段与训练阶段的数据归一化方式必须相同
-        T.Normalize(
-            mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS)
-    ],
-    arrange=T.ArrangeSegmenter('eval'))
+eval_transforms = T.Compose([
+    T.DecodeImg(),
+    T.Resize(target_size=512),
+    # 验证阶段与训练阶段的数据归一化方式必须相同
+    T.Normalize(
+        mean=[0.5] * NUM_BANDS, std=[0.5] * NUM_BANDS),
+    T.ReloadMask(),
+    T.ArrangeSegmenter('eval')
+])
 
 # 分别构建训练和验证所用的数据集
 train_dataset = pdrs.datasets.SegDataset(
@@ -68,8 +67,7 @@ eval_dataset = pdrs.datasets.SegDataset(
     label_list=LABEL_LIST_PATH,
     transforms=eval_transforms,
     num_workers=0,
-    shuffle=False,
-    apply_im_only=True)
+    shuffle=False)
 
 # 构建UNet模型
 # 目前已支持的模型请参考：https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/apis/model_zoo.md