（beta）torch_npu.npu_bounding_box_encode

产品支持情况

产品	是否支持
Atlas A3 训练系列产品	√
Atlas A2 训练系列产品	√
Atlas 推理系列产品	√
Atlas 训练系列产品	√

功能说明

计算标注框和ground truth真值框之间的坐标变化。自定义Faster R-CNN算子。

函数原型

torch_npu.npu_bounding_box_encode(anchor_box, ground_truth_box, means0, means1, means2, means3, stds0, stds1, stds2, stds3) -> Tensor

参数说明

• anchor_box (Tensor)：输入张量。锚点框。shape为（N,4）数据类型为float32的2D张量。“N”表示标注框的数量，“4”表示“x0”、“x1”、“y0”和“y1”。
• ground_truth_box (Tensor)：输入张量。真值框。shape为（N,4）数据类型为float32的2D张量。“N”表示标注框的数量，“4”表示“x0”、“x1”、“y0”和“y1”。
• means0 (float)：“x0”的偏差值。
• means1 (float)：“y0”的偏差值。
• means2 (float)：“x1”的偏差值。
• means3 (float)：“y1”的偏差值。
• stds0 (float)：“x0”的缩放值。
• stds1 (float)：“y0”的缩放值。
• stds2 (float)：“x1”的缩放值。
• stds3 (float)：“y1”的缩放值。

返回值说明

Tensor

代表编码后的坐标张量，形状为(N,4)，分别对应(x0,y0,x1,y1)，数据类型为float32。

调用示例

>>> import torch
>>> import torch_npu
>>> anchor_box = torch.tensor([[1., 2., 3., 4.], [3.,4., 5., 6.]], dtype = torch.float32).to("npu")
>>> ground_truth_box = torch.tensor([[5., 6., 7., 8.], [7.,8., 9., 6.]], dtype = torch.float32).to("npu")
>>> output = torch_npu.npu_bounding_box_encode(anchor_box, ground_truth_box, 0, 0, 0, 0, 0.1, 0.1, 0.2, 0.2)
>>> output
tensor([[13.3281, 13.3281,  0.0000,  0.0000],
        [13.3281,  6.6641,  0.0000,     nan]], device='npu:0')