图像字幕任务报错：PIL图像数值超出[0,1]范围的解决方法

错误根源 #

你通过torchvision.transforms.Normalize(mean=0.5, std=0.5)将图像张量从ToTensor()输出的[0,1]范围转换到了[-1,1]，但后续处理流程（如feature_extractor或数据加载环节）尝试将该张量转为PIL图像，而PIL要求图像值必须在[0,1]（浮点型）或[0,255]（uint8型）区间，因此触发范围错误。

解决方法 #

方法1：移除手动归一化，用模型自带的feature_extractor处理

绝大多数图像字幕模型（如BLIP、ViT-GPT2）的feature_extractor已内置归一化逻辑，无需手动添加Normalize步骤：

transforms1 = torchvision.transforms.Compose([
    torchvision.transforms.Resize(config.IMG_SIZE),
    torchvision.transforms.ToTensor()  # 输出范围保持[0,1]
])

方法2：反归一化后再转为PIL图像

若必须保留手动归一化，需在转换PIL前将张量转回[0,1]范围：

# 定义反归一化函数
def denormalize(tensor):
    return tensor * 0.5 + 0.5

# 修改图像预处理逻辑
def process_image(image_path):
    image = Image.open(image_path).convert("RGB")
    tensor = transforms1(image)
    # 反归一化回到[0,1]
    normalized_tensor = denormalize(tensor)
    # 转换为PIL图像
    pil_image = torchvision.transforms.ToPILImage()(normalized_tensor)
    return pil_image

方法3：关闭feature_extractor的自动归一化

如果模型支持直接接收[-1,1]范围的张量，可关闭feature_extractor的自动归一化：

from transformers import AutoFeatureExtractor

feature_extractor = AutoFeatureExtractor.from_pretrained("你的模型名称", do_normalize=False)

内容的提问来源于stack exchange，提问作者Rahaf Almgheed