RuntimeError: permute(sparse_coo): количество измерений во входных данных тензора не соответствует длине желаемого поряд ⇐ Python

[Anonymous]

Я работаю над сегментацией изображений с использованием модели UNet.
Я столкнулся со следующей ошибкой в ​​части загрузчика данных.
RuntimeError: permute(sparse_coo): number of dimensions in the tensor input does not match the length of the desired ordering of dimensions i.e. input.dim() = 4 is not equal to len(dims) = 3
Я думаю, ошибка говорит о том, что некоторые из входных изображений имеют каналы = 4. Однако я попытался проверить форму входных изображений сразу после их чтения. Все входные изображения имеют 3 канала.
Это мой класс загрузчика данных:
class MyDataloader(torch.utils.data.Dataset): def init( self, df, dir_path ): self.df = df self.dir_path = dir_path

def len(self): return len(self.df)

def getitem(self, idx):

cur_index = self.df.iloc[idx]

img_path = os.path.join( self.dir_path, cur_index[0] ) ## image path
gt_path = os.path.join( self.dir_path, cur_index[1] ) ## gt path

img = Image.open(img_path)
gt = Image.open(gt_path)

# Convert the image and gt to a NumPy array
img = np.array(img)
gt = np.array(gt).astype(np.float32)

# define transform
transform = A.Compose([
A.Resize(height=400, width=400),
A.RandomRotate90(),
A.Transpose(),
A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.50, rotate_limit=45, p=.75),
A.Blur(blur_limit=3),
A.OpticalDistortion(),
A.GridDistortion(),
A.HueSaturationValue()
# A.Normalize( mean = (0.485, 0.456, 0.406), std = (0.229, 0.224, 0.225) )
])

# apply transform
augmented = transform( image = img, mask = gt )
augmented_image = augmented['image']
augmented_gt = augmented['mask']

return torch.tensor(augmented_image).permute(2, 0, 1).float(), torch.tensor(augmented_gt).unsqueeze(1).permute(1, 0, 2)


Подробнее здесь: https://stackoverflow.com/questions/785 ... input-does