albumentations的Normalize变换是否会对mask执行归一化操作？

1. 变换对mask的处理规则 #

albumentations.Normalize(mean, std) 内部默认只会对输入的image执行减均值、除以标准差的归一化操作，完全不会修改mask的数值。该变换会自动识别输入目标的类型，仅对图像类张量做数值变换，掩码会原封不动返回。

2. 正确集成方式 #

你不需要对Normalize做特殊参数调整，直接将其放入变换组合即可，参考示例：

import albumentations as A
from albumentations.pytorch import ToTensorV2

# 定义变换流水线
train_transform = A.Compose([
    A.RandomResizedCrop(height=256, width=256),
    A.HorizontalFlip(p=0.5),
    A.ColorJitter(p=0.3),
    # 直接插入Normalize即可，不需要额外配置掩码相关参数
    A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
    ToTensorV2(),
])

# 调用变换时按规范传参
aug_output = train_transform(image=input_image_array, mask=input_mask_array)
processed_image = aug_output['image']
processed_mask = aug_output['mask']

如果需要传入多个掩码，只需在Compose阶段声明附加目标即可，Normalize依然不会修改这些掩码：

train_transform = A.Compose(
    [
        A.RandomResizedCrop(height=256, width=256),
        A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
        ToTensorV2(),
    ],
    # 声明附加掩码，类型和主mask一致
    additional_targets={"mask1": "mask", "mask2": "mask"}
)

3. 是否需要手动添加处理逻辑 #

正常场景下不需要为掩码额外添加和Normalize相关的处理逻辑。如果你有特殊需求，比如需要将掩码的取值范围从0_{255缩放到0}1，可以单独对掩码做数值转换，不要通过修改Normalize的参数实现。

内容的提问来源于stack exchange，提问作者Olli