| 项目 | 颜色通道顺序 | 长宽通道顺序 | 数据类型 | 取值范围 |
|---|---|---|---|---|
| PIL | RGB | HWC | ndarray | 0-255 (byte) |
| OpenCV | BGR | HWC | ndarray | 0-255 (byte) |
| PyTorch | RGB/BGR (取决于如何读取) | (N)CHW | tensor | 0-1 (float, 标准化后); 0-255 (int, 未标准化) |
注意以下几点：
-
颜色通道顺序：PIL默认使用RGB顺序，而OpenCV使用BGR顺序。PyTorch不直接指定颜色通道顺序，它取决于你如何将图像数据加载到tensor中。如果你直接从PIL或OpenCV加载图像到PyTorch tensor，那么颜色通道顺序将保持不变（除非你进行了额外的转换）。
-
长宽通道顺序：PIL和OpenCV都使用HWC（高度、宽度、通道）顺序。PyTorch在处理图像数据时，通常期望的输入是CHW（通道、高度、宽度）顺序，特别是当使用卷积神经网络等模型时。但是，PyTorch的
torchvision.transforms模块提供了ToTensor()等转换函数，可以自动将HWC顺序的PIL图像或NumPy数组转换为CHW顺序的tensor。此外，PyTorch还允许使用额外的维度N（批量大小）来扩展CHW到NCHW，这在处理批量图像时很常见。 -
数据类型：PIL和OpenCV都使用NumPy数组来存储图像数据，而PyTorch使用tensor。
-
取值范围：PIL和OpenCV中的图像数据通常以字节（byte）形式存储，取值范围为0-255。PyTorch中的tensor可以存储浮点数或整数，具体取决于你的设置。在大多数情况下，PyTorch期望输入图像的像素值被标准化到0-1的浮点数范围内，这是通过除以255来实现的。但是，如果你在处理分类任务等场景时，可能需要将图像数据保持为0-255的整数范围，并在模型中进行相应的调整。
-
(N)HWC vs. (N)CHW：我在PyTorch的“长宽通道顺序”列中添加了(N)来表示可能存在的批量大小维度。在PyTorch中，处理单个图像时通常使用CHW顺序，但在处理批量图像时，则使用NCHW顺序。然而，需要注意的是，这种约定主要适用于CUDA操作和某些特定的PyTorch层/函数（如
torch.nn.Conv2d）。在大多数情况下，当你使用torchvision.transforms将PIL图像或NumPy数组转换为tensor时，你得到的是一个CHW顺序的tensor（除非你使用了特定的转换函数来改变这个顺序）。然后，如果你需要将tensor输入到支持批量处理的模型中，你可能需要手动添加一个额外的维度（即批量大小N）来形成NCHW顺序的tensor。但是，这通常是由PyTorch的数据加载器（如torch.utils.data.DataLoader）自动完成的。