매개변수

• model (nn.Module) — 모델 인스턴스
• args (dict) — dict 형태의 커맨드 라인 인자/설정 (pretrained_cfg를 덮어씀)
• pretrained_cfg (dict) — 사전 학습된 모델 설정 (모델에 연결된 pretrained_cfg를 덮어씀)
• use_test_size (bool) — 기본 학습 해상도 대신 테스트 시간 입력 해상도(존재하는 경우)를 사용합니다
• verbose (bool) — 해석된 값에 대한 추가 로깅을 활성화합니다

매개변수

• input_size — 대상 입력 크기 (채널, 높이, 너비) 튜플 또는 크기 스칼라.
• is_training — 학습(랜덤) 변환을 반환합니다.
• no_aug — 학습용 증강을 비활성화합니다(디버깅에 유용).
• train_crop_mode — 학습용 랜덤 크롭 모드(‘rrc’, ‘rkrc’, ‘rkrr’).
• scale — 랜덤 리사이즈 스케일 범위(크롭 영역, < 1.0 => 확대).
• ratio — 무작위 종횡비 범위(RRC의 crop ratio, RKR의 ratio 조정 계수).
• hflip — 수평 플립 확률.
• vflip — 세로 방향 뒤집기 확률.
• color_jitter — 무작위 색상 jitter 구성 요소 계수(밝기, 대비, 채도, 색조). 스칼라는 (scalar,) * 3으로 적용됩니다(색조 없음).
• color_jitter_prob — None이 아닌 경우, 이 확률로 색상 지터를 적용합니다 (SimCLR 유사 증강을 위한 것).
• grayscale_prob — 이미지를 회색조로 변환할 확률 (SimCLR 유사 증강을 위한 것).
• gaussian_blur_prob — 가우시안 블러를 적용할 확률 (SimCLR 유사 증강을 위한 것).
• auto_augment — Auto augment 구성 문자열 (auto_augment.py 참조).
• interpolation — 이미지 보간 모드.
• mean — 이미지 정규화 평균.
• std — 이미지 정규화 표준 편차.
• re_prob — 랜덤 이레이징 확률.
• re_mode — 랜덤 지우기 채우기 모드.
• re_count — 랜덤 에라싱 영역의 개수.
• re_num_splits — 배치 크기에 걸쳐 랜덤 이레이징의 분할을 제어합니다.
• crop_pct — 추론 시 크롭 비율(출력 크기 / 리사이즈 크기).
• crop_mode — 추론 크롭 모드. [‘squash’, ‘border’, ‘center’] 중 하나입니다. None인 경우 기본값은 ‘center’입니다.
• crop_border_pixels — 원본 이미지의 가장자리 주위를 지정된 # 픽셀만큼 추론 크롭 보더를 설정합니다.
• tf_preprocessing — 모델 포트 테스트를 위해 TF 1.0 추론 전처리 사용
• use_prefetcher — Pre-fetcher 활성화. 이미지를 tensor로 변환하거나 정규화하지 마세요.
• normalize — 제공된 mean/std를 사용하여 정규화 텐서를 출력합니다 (prefetcher를 사용하지 않는 경우).
• separate — 3단계 튜플로 변환을 출력합니다.
• patchify — prefetcher에 의존하지 않고 출력을 Patchify합니다.
• patchify_channels_last — 각 패치 내에서 channels-last 레이아웃을 사용합니다.
• patchify_flatten — 평가 패치를 벡터로 평탄화합니다. 모델이 패치 크기 보간에 공간 차원을 필요로 하는 경우 비활성화합니다.

매개변수

• config_str (str) — 랜덤 증강의 구성을 정의하는 문자열. 대시('-')로 구분된 여러 섹션으로 구성됩니다. 첫 번째 섹션은 rand augment의 특정 변형을 정의합니다(현재 'rand'만 지원). 나머지 섹션은 순서에 구애받지 않으며
  • ‘m’ - rand augment의 정수 크기
  • ‘n’ - 정수, 레이어 수(이미지당 선택된 변환 연산의 수)
  • ‘p’ - 각 레이어를 적용할 확률 (float, 기본값 0.5)
  • ‘mstd’ - 적용되는 크기 노이즈의 부동 소수점 표준 편차, 무한대(또는 > 100)인 경우 균등 샘플링
  • ‘mmax’ - _LEVEL_DENOM (10)인 기본값이 아닌 다른 값으로 크기의 상한을 설정
  • ‘inc’ - 정수 (bool), 심각도가 크기에 따라 증가하는 증강을 사용 (기본값: 0)
  • ‘t’ - 사용할 변환 세트의 str 이름
• hparams (dict) — RandAugmentation 스킴에 사용할 기타 hparams (kwargs)

매개변수

• config_str — 자동 증강 설정을 정의하는 문자열. 대시('-')로 구분된 여러 섹션으로 구성됩니다. 첫 번째 섹션은 AutoAugment 정책(‘v0’, ‘v0r’, ‘original’, ‘originalr’ 중 하나)을 정의하고, 나머지 섹션은 다른 인수를 정의합니다.
  • ‘mstd’ - 적용되는 크기 노이즈의 부동 소수점 표준 편차
• hparams — AutoAugmentation 스킴에 사용할 기타 hparams(kwargs)

매개변수

• config_str (str) — 랜덤 증강의 구성을 정의하는 문자열입니다. 대시(’-’)로 구분된 여러 섹션으로 구성됩니다. 첫 번째 섹션은 rand augment의 특정 변형을 정의합니다(현재는 ‘rand’만 지원). 나머지 섹션은 순서에 구애받지 않으며, 다음과 같은 값을 결정합니다. ‘m’ - 증강 믹스의 정수 크기(심도)(기본값: 3) ‘w’ - 증강 체인의 정수 폭(기본값: 3) ‘d’ - 증강 체인의 정수 깊이(-1은 [1, 3] 범위에서 랜덤, 기본값: -1) ‘b’ - 정수(불리언), 최종 블렌딩 없이 체인의 각 분기를 최종 결과에 블렌딩하여 CPU 사용량 감소(기본값: 0) ‘mstd’ - 적용되는 크기 노이즈의 부동소수점 표준편차(기본값: 0) 예: ‘augmix-m5-w4-d2’는 심도 5, 체인 폭 4, 체인 깊이 2인 AugMix를 생성합니다
• hparams — Augmentation 변환에 사용할 기타 hparams(kwargs)

매개변수

• probability — Random Erasing 작업이 수행될 확률.
• min_area — 입력 이미지 영역 대비 지워진 영역의 최소 비율.
• max_area — 입력 이미지 영역 대비 지워진 영역의 최대 비율.
• min_aspect — 지워질 영역의 최소 가로세로 비율.
• mode — 픽셀 색상 모드, ‘const’, ‘rand’, ‘pixel’ 중 하나 ‘const’ - 지우기 블록은 모든 채널에서 0인 상수 색상 ‘rand’ - 지우기 블록은 채널별 동일한 무작위(정규) 색상 ‘pixel’ - 지우기 블록은 픽셀별 무작위(정규) 색상

매개변수

• name — 데이터셋 이름입니다. 폴더 기반 데이터셋의 경우 비워 둘 수 있습니다. 접두사(예: hfds/)는 대소문자를 구분하지 않으며, torch/ 이름의 경우를 제외하고 나머지 부분은 그대로(대소문자 구분) 전달됩니다.
• root — 데이터셋의 루트 폴더(All)
• split — 데이터셋 분할(전체)
• search_split — 루트에서 split에 해당하는 하위 fold를 검색하여, cmd line / config에서 /imagenet/val 대신 imagenet/ 등을 지정할 수 있습니다. (Folder, Torch)
• class_map — 텍스트 파일 또는 dict를 통해 클래스 -> 인덱스 매핑을 지정합니다 (Folder)
• load_bytes — 데이터를 로드하고 이미지를 디코딩되지 않은 바이트로 반환합니다 (Folder)
• download — 데이터셋이 존재하지 않고 지원되는 경우(HFIDS, TFDS, Torch) 다운로드
• is_training — train 모드로 데이터셋을 생성합니다. 이는 split과 다릅니다. Iterable / TDFS의 경우 shuffle을 활성화하며, 다른 데이터셋(TFDS, WDS, HFIDS)에서는 무시됩니다.
• batch_size — 반복 가능한 데이터셋(TFDS, WDS, HFIDS)에 대한 배치 크기 힌트
• seed — 반복 가능한 데이터셋(TFDS, WDS, HFIDS)에 사용할 시드
• repeats — 반복 데이터셋, 반복 횟수(에포크) (TFDS, WDS, HFIDS)
• input_img_mode — 입력 이미지의 색상 변환 모드, 예: ‘RGB’, ‘L’ (folder, TFDS, WDS, HFDS, HFIDS)
• trust_remote_code — True인 경우 Hugging Face Datasets의 원격 코드를 신뢰합니다 (HFDS, HFIDS)
• **kwargs — 기본 Dataset 및/또는 Reader 클래스에 전달할 기타 인자

매개변수

• dataset — 로드할 이미지 데이터셋.
• input_size — 대상 입력 크기 (채널, 높이, 너비) 튜플 또는 크기 스칼라.
• batch_size — 배치에 포함된 샘플 수.
• is_training — 학습(랜덤) 변환을 반환합니다.
• no_aug — 학습용 증강을 비활성화합니다(디버깅에 유용).
• re_prob — 랜덤 이레이징 확률.
• re_mode — 랜덤 지우기 채우기 모드.
• re_count — 랜덤 에라싱 영역의 개수.
• re_split — 배치 크기 간 랜덤 이레이징 분할을 제어합니다.
• scale — 랜덤 리사이즈 스케일 범위(크롭 영역, < 1.0 => 확대).
• ratio — 무작위 종횡비 범위(RRC의 crop ratio, RKR의 ratio 조정 계수).
• hflip — 수평 플립 확률.
• vflip — 세로 방향 뒤집기 확률.
• color_jitter — 무작위 색상 jitter 구성 요소 계수(밝기, 대비, 채도, 색조). 스칼라는 (scalar,) * 3으로 적용됩니다(색조 없음).
• color_jitter_prob — None이 아닌 경우, 이 확률로 색상 지터를 적용합니다 (SimCLR 유사 증강
• grayscale_prob — 이미지를 회색조로 변환할 확률 (SimCLR 유사 증강을 위한 것).
• gaussian_blur_prob — 가우시안 블러를 적용할 확률 (SimCLR 유사 증강을 위한 것).
• auto_augment — Auto augment 구성 문자열 (auto_augment.py 참조).
• num_aug_repeats — 분산 GPU에서 동일한 증강을 반복하도록 특수 샘플러를 활성화합니다.
• num_aug_splits — 증강을 배치에 걸쳐 분할할 수 있는 모드를 활성화합니다.
• interpolation — 이미지 보간 모드.
• mean — 이미지 정규화 평균.
• std — 이미지 정규화 표준 편차.
• num_workers — DataLoader당 워커 프로세스 수.
• distributed — 분산 학습을 위한 데이터 로딩을 활성화합니다.
• crop_pct — 추론 시 크롭 비율(출력 크기 / 리사이즈 크기).
• crop_mode — 추론 크롭 모드. [‘squash’, ‘border’, ‘center’] 중 하나입니다. None인 경우 기본값은 ‘center’입니다.
• crop_border_pixels — 원본 이미지의 가장자리 주위를 지정된 # 픽셀만큼 추론 크롭 보더를 설정합니다.
• collate_fn — 기본 collate_fn을 재정의합니다.
• pin_memory — 디바이스 전송을 위해 메모리를 고정합니다.
• fp16 — 반정밀 입력 dtype를 위한 비추천 인자. img_dtype을 사용하세요.
• img_dtype — 입력 이미지의 데이터 유형.
• device — 입력과 타깃을 전송할 장치.
• use_prefetcher — 샘플을 장치로 로드하기 위해 효율적인 pre-fetcher를 사용합니다.
• use_multi_epochs_loader —
• persistent_workers — num_workers가 0보다 큰 경우 영속 워커 프로세스를 활성화합니다.
• worker_seeding — 초기화 시 워커의 무작위 시딩을 제어합니다.
• tf_preprocessing — 모델 포트 테스트를 위해 TF 1.0 추론 전처리 사용.
• input_size_choices — 스케줄된 해상도 학습을 위한 배치별 입력 크기 선택지.
• batch_size_choices — 각 입력 크기 선택에 해당하는 배치 크기. 지정되지 않은 경우 모든 선택에 대해 batch_size를 사용합니다.
• batch_choice_weights — 입력 크기 선택에 대한 샘플링 가중치. 지정되지 않으면 균등 분포를 사용합니다.
• batch_choice_seed — 배치 스케줄을 생성하고 섞는 데 사용되는 랜덤 시드.
• batch_choice_schedule — Choice schedule 모드. constant 또는 progressive 중 하나입니다.
• batch_schedule_epochs — 점진적 스케줄이 선택지를 순회하는 에포크 수.
• batch_schedule_spread — 선택 인덱스 단위로 표현된 점진적 선택 창(progressive choice window)의 표준 편차.
• batch_schedule_random_mix — 점진적 스케줄에서 가중치가 0이 아닌 선택지에 대한 균등한 무작위 탐색의 비율.
• num_batches — 에포크당 로더 배치의 고정 개수. 지정되지 않은 경우, 점진적 스케줄의 경우 스케줄 평균 배치 크기에서 추론됩니다.

매개변수

• mixup_alpha (float) — mixup alpha 값입니다. 0보다 크면 mixup이 활성화됩니다.
• cutmix_alpha (float) — cutmix alpha 값, 0보다 크면 cutmix가 활성화됩니다.
• cutmix_minmax (List[float]) — cutmix min/max 이미지 비율입니다. cutmix가 활성화되어 있고 None이 아닌 경우 alpha 대신 이 값을 사용합니다.
• prob (float) — 배치 또는 요소별로 mixup 또는 cutmix를 적용할 확률
• switch_prob (float) — 둘 다 활성화된 경우 mixup 대신 cutmix로 전환할 확률
• mode (str) — mixup/cutmix 파라미터를 적용하는 방식 (‘batch’, ‘pair’ (요소 쌍), ‘elem’ (요소))
• correct_lam (bool) — cutmix bbox가 이미지 경계에 의해 잘리는 경우 lambda 보정을 적용합니다
• label_smoothing (float) — 혼합된 대상 텐서에 라벨 스무딩을 적용합니다
• num_classes (int) — 대상의 클래스 수
• multi_label (bool) — 밀집형 다중 레이블 타깃을 혼합하며, 각 레이블을 0.5 방향으로 스무딩합니다.

매개변수

• dataset — 로드할 Dataset.
• patch_size — 사용할 단일 패치 크기.
• patch_size_choices — 가변 패치 크기 학습을 위한 패치 크기 목록.
• patch_size_choice_probs — 각 패치 크기 선택에 대한 확률.
• train_seq_lens — 동적 배치(dynamic batching)를 위한 학습 시퀀스 길이.
• max_seq_len — 검증에 사용되는 고정 시퀀스 길이.
• batch_size — 검증용 배치 크기 및 최대 학습 시퀀스 길이.
• is_training — 학습용인지 여부(동적 배치 처리를 활성화합니다).
• mixup_fn — 선택적 mixup 함수.
• no_aug — 증강을 비활성화합니다.
• re_prob — 랜덤 이레이징 확률.
• re_mode — 랜덤 지우기 모드.
• re_count — 지우개 사각형의 최대 개수.
• re_split — 랜덤 지우기 분할 플래그.
• train_crop_mode — 학습 크롭 모드.
• scale — 랜덤 리사이즈 크롭의 스케일 범위.
• ratio — 무작위 리사이즈 크롭에 사용할 가로세로 비율 범위.
• hflip — 수평 플립 확률.
• vflip — 세로 방향 뒤집기 확률.
• color_jitter — 색상 jitter 계수.
• color_jitter_prob — 색상 jitter 확률.
• grayscale_prob — 회색 변환 확률.
• gaussian_blur_prob — 가우시안 블러 확률.
• auto_augment — AutoAugment 정책.
• num_aug_repeats — 증강 반복 횟수.
• num_aug_splits — 증강 분할의 수.
• interpolation — 보간 방법.
• mean — 정규화 평균 값.
• std — 정규화 표준 편차 값.
• channels — 이미지 채널 수. prefetcher에서 채널별 정규화에 사용됩니다.
• crop_pct — 검증용 크롭 비율.
• crop_mode — 크롭 모드.
• crop_border_pixels — 경계 픽셀을 자릅니다.
• num_workers — 데이터 로딩 워커의 수.
• distributed — 분산 학습을 사용할지 여부.
• rank — 분산 학습을 위한 프로세스 랭크.
• world_size — 전체 프로세스 수.
• seed — 랜덤 시드.
• epoch — 시작 epoch.
• use_prefetcher — 프리페칭을 사용할지 여부.
• pin_memory — 메모리를 고정할지 여부.
• img_dtype — 이미지 데이터 유형.
• device — 텐서를 이동할 대상 디바이스.
• persistent_workers — num_workers가 0보다 큰 경우 영속 워커를 사용할지 여부.
• worker_seeding — Worker seeding 모드.
• patchify_channels_last — 패치별 평탄화 레이아웃. True (기본값): 채널 인덱스가 가장 빠르게 변합니다 (NaFlex 기본값). False: C-P-P (채널 우선 — Gemma4 / HF 네이티브 레이아웃). 상위 Patchify 및 프리페처의 정규화 레이아웃으로 전달됩니다.