# Özellik çıkarıcı

Bir özellik çıkarıcı, ses modelleri için girdi özelliklerini hazırlamaktan sorumludur. Bu, dizilerden özellik çıkarma (ör. Log-Mel Spektrogram özellikleri üretmek için ses dosyalarını ön işleme) ve NumPy ile PyTorch tensörlerine dönüştürme işlemlerini içerir.

## FeatureExtractionMixin[[transformers.FeatureExtractionMixin]]

#### transformers.FeatureExtractionMixin[[transformers.FeatureExtractionMixin]]

```python
transformers.FeatureExtractionMixin(**kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L266)

Bu, ardışık ve sesli özellik çıkarıcılar için kaydetme/yükleme işlevselliği sağlamak amacıyla kullanılan bir özellik çıkarımı karışımıdır (mixin).

#### from_pretrained[[transformers.FeatureExtractionMixin.from_pretrained]]

```python
from_pretrained(pretrained_model_name_or_path: str | os.PathLike, cache_dir: str | os.PathLike | None = None, force_download: bool = False, local_files_only: bool = False, token: str | bool | None = None, revision: str = 'main', **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L286)

**Parametreler:**

pretrained_model_name_or_path (`str` veya `os.PathLike`) : Şu seçeneklerden biri olabilir:  - huggingface.co üzerindeki bir model deposunda barındırılan önceden eğitilmiş bir feature_extractor'ın *model kimliği* olan bir dize. - [save_pretrained()](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.FeatureExtractionMixin.save_pretrained) yöntemiyle kaydedilmiş bir feature extractor dosyası içeren bir *dizin*in yolu, örneğin `./my_model_directory/`. - Kaydedilmiş bir feature extractor JSON *dosyası*nın yolu, örneğin `./my_model_directory/preprocessor_config.json`.

cache_dir (`str` veya `os.PathLike`, *opsiyonel*) : Standart önbellek kullanılmayacaksa, indirilen önceden eğitilmiş model özellik çıkarıcısının önbelleğe alınacağı dizinin yolu.

force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Özellik çıkarıcı dosyalarının indirilmesini (yeniden) zorlayıp mevcut ise önbellekteki sürümleri geçersiz kılıp kılmayacağı.

proxies (`dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örn. `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}.` Vekiller her istekte kullanılır.

token (`str` veya `bool`, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak belirteç. `True` ise veya belirtilmezse, `hf auth login` çalıştırıldığında oluşturulan belirteç ( `~/.huggingface` içinde saklanır) kullanılır.

revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü. huggingface.co üzerinde modelleri ve diğer artefaktları depolamak için git tabanlı bir sistem kullandığımız için, bir dal adı, bir etiket adı veya bir commit id olabilir; dolayısıyla `revision`, git tarafından izin verilen herhangi bir tanımlayıcı olabilir.     Hub'da oluşturduğunuz bir pull request'i test etmek için `revision="refs/pr/<pr_number>"` parametresini geçebilirsiniz.

return_unused_kwargs (`bool`, *isteğe bağlı*, varsayılan `False`) : `False` ise, bu fonksiyon yalnızca son özellik çıkarıcı nesnesini döndürür. `True` ise, bu fonksiyon `Tuple(feature_extractor, unused_kwargs)` döndürür; burada *unused_kwargs*, anahtarları özellik çıkarıcı öznitelikleri olmayan anahtar/değer çiftlerinden oluşan bir sözlüktür; yani `kwargs` içindeki, `feature_extractor` nesnesini güncellemek için kullanılmamış ve dolayısıyla yok sayılan kısımdır.

kwargs (`dict[str, Any]`, *isteğe bağlı*) : kwargs içindeki, özellik çıkarıcı (feature extractor) öznitelikleri olan anahtarların değerleri, yüklenen değerlerin üzerine yazmak için kullanılır. Anahtarları özellik çıkarıcı öznitelikleri *olmayan* anahtar/değer çiftlerinin davranışı, `return_unused_kwargs` anahtar parametresi tarafından kontrol edilir.

**Dönüş:**

[FeatureExtractionMixin](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.FeatureExtractionMixin) türünde bir özellik çıkarıcı.

Bir özellik çıkarıcıdan, *örneğin* [SequenceFeatureExtractor](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.SequenceFeatureExtractor)'nin türetilmiş bir sınıfından, [FeatureExtractionMixin](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.FeatureExtractionMixin) türünün bir örneğini oluşturun.

Örnekler:

```python
# We can't instantiate directly the base class *FeatureExtractionMixin* nor *SequenceFeatureExtractor* so let's show the examples on a
# derived class: *Wav2Vec2FeatureExtractor*
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h"
)  # Download feature_extraction_config from huggingface.co and cache.
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "./test/saved_model/"
)  # E.g. feature_extractor (or model) was saved using *save_pretrained('./test/saved_model/')*
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("./test/saved_model/preprocessor_config.json")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h", return_attention_mask=False, foo=False
)
assert feature_extractor.return_attention_mask is False
feature_extractor, unused_kwargs = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h", return_attention_mask=False, foo=False, return_unused_kwargs=True
)
assert feature_extractor.return_attention_mask is False
assert unused_kwargs == {"foo": False}
```

#### save_pretrained[[transformers.FeatureExtractionMixin.save_pretrained]]

```python
save_pretrained(save_directory: str | os.PathLike, push_to_hub: bool = False, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L390)

**Parametreler:**

save_directory (`str` veya `os.PathLike`) : Özellik çıkarıcısının JSON dosyasının kaydedileceği dizin (varsa oluşturulur).

push_to_hub (`bool`, *isteğe bağlı*, varsayılan `False`) : Modeli kaydettikten sonra Hugging Face model hub'ına gönderip göndermeyeceğinizi belirtir. Göndermek istediğiniz depoyu `repo_id` ile belirleyebilirsiniz (varsayılan olarak ad alanınızdaki `save_directory` adı kullanılır).

kwargs (`dict[str, Any]`, *isteğe bağlı*) : [push_to_hub()](/docs/transformers/main/tr/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub) yöntemine iletilen ek anahtar kelime argümanları.

nesnesini `save_directory` dizinine kaydedin; böylece [from_pretrained()](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.FeatureExtractionMixin.from_pretrained) sınıf yöntemiyle yeniden yüklenebilir.

## SequenceFeatureExtractor[[transformers.SequenceFeatureExtractor]]

#### transformers.SequenceFeatureExtractor[[transformers.SequenceFeatureExtractor]]

```python
transformers.SequenceFeatureExtractor(feature_size: int, sampling_rate: int, padding_value: float, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_sequence_utils.py#L28)

**Parametreler:**

feature_size (`int`) : Çıkarılan özelliklerin boyutu.

sampling_rate (`int`) : Ses dosyalarının dijitalleştirilmesi gereken örneklem hızı, hertz (Hz) cinsinden ifade edilir.

padding_value (`float`) : Dolgu değerleri / vektörleri doldurmak için kullanılan değer.

Bu, konuşma tanıma için genel bir özellik çıkarma sınıfıdır.

#### pad[[transformers.SequenceFeatureExtractor.pad]]

```python
pad(processed_features: transformers.feature_extraction_utils.BatchFeature | list[transformers.feature_extraction_utils.BatchFeature] | dict[str, transformers.feature_extraction_utils.BatchFeature] | dict[str, list[transformers.feature_extraction_utils.BatchFeature]] | list[dict[str, transformers.feature_extraction_utils.BatchFeature]], padding: bool | str | transformers.utils.generic.PaddingStrategy = True, max_length: int | None = None, truncation: bool = False, pad_to_multiple_of: int | None = None, return_attention_mask: bool | None = None, return_tensors: str | transformers.utils.generic.TensorType | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_sequence_utils.py#L51)

**Parametreler:**

processed_features ([BatchFeature](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.BatchFeature), [BatchFeature](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.BatchFeature) listesi, `dict[str, list[float]]`, `dict[str, list[list[float]]` veya `list[dict[str, list[float]]]`) : İşlenmiş girdiler. Tek bir girdiyi ([BatchFeature](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.BatchFeature) veya `dict[str, list[float]]`) ya da girdi değerleri/vektörleri bir partisini ([BatchFeature](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.BatchFeature) listesi, *dict[str, list[list[float]]]* veya *list[dict[str, list[float]]]*) temsil edebilir; bu sayede bu yöntemi hem ön işleme sırasında hem de bir PyTorch Dataloader collate işlevinde kullanabilirsiniz. `list[float]` yerine tensörler (numpy dizileri veya PyTorch tensörleri) bulunabilir; dönüş tipi için yukarıdaki notu inceleyin.

padding (`bool`, `str` veya [PaddingStrategy](/docs/transformers/main/tr/internal/file_utils#transformers.utils.PaddingStrategy), *opsiyonel*, varsayılan `True`) : Dönen dizilerin dolgusunu (modelin dolgu tarafına ve dolgu indeksine göre) aşağıdakilerden birini seçerek belirleyin: - `True` veya `'longest'`: Batch'teki en uzun diziye kadar dolgu yapın (yalnızca tek bir dizi sağlandıysa dolgu yapılmaz). - `'max_length'`: `max_length` argümanı ile belirtilen maksimum uzunluğa kadar veya bu argüman sağlanmadıysa modelin kabul edebileceği maksimum giriş uzunluğuna kadar dolgu yapın. - `False` veya `'do_not_pad'` (varsayılan): Dolgu yapılmaz (yani, farklı uzunluklarda dizilere sahip bir batch çıktısı verilebilir).

max_length (`int`, *isteğe bağlı*) : Dönen listenin maksimum uzunluğu ve isteğe bağlı dolgu uzunluğu (bkz. yukarıda).

truncation (`bool`) : `max_length`'den uzun giriş dizilerini `max_length` değerine kısaltmak için kesme işlemini etkinleştirir.

pad_to_multiple_of (`int`, *opsiyonel*) : Ayarlanırsa, diziyi verilen değerin katına kadar doldurur. Bu, hesaplama yeteneği `>= 7.5` (Volta) olan NVIDIA donanımlarında Tensor Cores kullanımını etkinleştirmek veya 128'in katı olan dizi uzunluklarından faydalanan TPU'larda özellikle faydalıdır.

return_attention_mask (`bool`, *isteğe bağlı*) : Dikkat maskesinin (attention mask) döndürülüp döndürülmeyeceğini belirtir. Varsayılan bırakılırsa, ilgili feature_extractor'ın varsayılanına göre dikkat maskesi döndürülür. [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

return_tensors (`str` veya [TensorType](/docs/transformers/main/tr/internal/file_utils#transformers.TensorType), *opsiyonel*) : Ayarlanırsa, Python tamsayı listesi yerine tensörler döndürülür. Kabul edilen değerler:  - `'pt'`: PyTorch `torch.Tensor` nesnelerini döndürür. - `'np'`: Numpy `np.ndarray` nesnelerini döndürür.

Girdi değerlerini / girdi vektörlerini veya bir girdi değerleri / girdi vektörleri grubunu, önceden tanımlanmış uzunluğa veya gruptaki en uzun dizi uzunluğuna kadar doldurun.

Padding tarafı (sol/sağ) padding değerleri, özellik çıkarıcısı seviyesinde tanımlanır (`self.padding_side`, `self.padding_value` ile).

`processed_features` olarak numpy dizileri veya PyTorch tensörleri içeren bir sözlük geçirilirse, `return_tensors` ile farklı bir tensör türü belirtmedikçe sonuç aynı türü kullanır. PyTorch tensörleri söz konusu olduğunda, tensörlerinizin belirli cihazını kaybedersiniz.

## BatchFeature[[transformers.BatchFeature]]

#### transformers.BatchFeature[[transformers.BatchFeature]]

```python
transformers.BatchFeature(data: dict[str, typing.Any] | None = None, tensor_type: None | str | transformers.utils.generic.TensorType = None, skip_tensor_conversion: list[str] | set[str] | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L58)

**Parametreler:**

data (`dict`, *isteğe bağlı*) : __call__/pad yöntemleri tarafından döndürülen listelerin/dizilerin/tensörlerin sözlüğü ('input_values', 'attention_mask' vb.).

tensor_type (`Union[None, str, TensorType]`, *isteğe bağlı*) : Başlatma sırasında PyTorch/Numpy Tensörlerine dönüştürmek için tam sayı listelerini burada bir tensor_type olarak verebilirsiniz.

skip_tensor_conversion (`list[str]` veya `set[str]`, *opsiyonel*) : `tensor_type` belirtilse bile tensöre dönüştürülmemesi gereken anahtarların listesi veya kümesi.

[pad()](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.SequenceFeatureExtractor.pad) ve özellik çıkarıcıya özgü `__call__` yöntemlerinin çıktısını tutar.

Bu sınıf bir python sözlüğünden türetilmiştir ve bir sözlük olarak kullanılabilir.

#### convert_to_tensors[[transformers.BatchFeature.convert_to_tensors]]

```python
convert_to_tensors(tensor_type: str | transformers.utils.generic.TensorType | None = None, skip_tensor_conversion: list[str] | set[str] | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L158)

**Parametreler:**

tensor_type (`str` veya [TensorType](/docs/transformers/main/tr/internal/file_utils#transformers.TensorType), *opsiyonel*) : Kullanılacak tensörlerin türü. `str` ise, [TensorType](/docs/transformers/main/tr/internal/file_utils#transformers.TensorType) enum'undaki değerlerden biri olmalıdır. `None` ise, herhangi bir değişiklik yapılmaz.

skip_tensor_conversion (`list[str]` veya `set[str]`, *opsiyonel*) : `tensor_type` belirtilse bile tensöre dönüştürülmemesi gereken anahtarların listesi veya kümesi.

İçeriği tensörlere dönüştürün.

Not: Dizi benzeri bir yapıya sahip olmayan değerler (ör. dizeler, sözlükler, dizi listeleri) otomatik olarak atlanır ve tensörlere dönüştürülmez. Düzensiz diziler (farklı uzunluklara sahip dizi listeleri) yine de denemeye çalışılır, ancak dönüştürme sırasında hata verebilirler.

#### 'e[[transformers.BatchFeature.to]]

```python
to(*args, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/feature_extraction_utils.py#L215)

**Parametreler:**

args (`Tuple`) : Tensörlerin `to(...)` fonksiyonuna iletilecektir.

kwargs (`Dict`, *isteğe bağlı*) : Tensörlerin `to(...)` fonksiyonuna aktarılacaktır. Asenkron veri aktarımını etkinleştirmek için `kwargs` içinde `non_blocking` bayrağını ayarlayın (varsayılan değeri `False`'dir).

**Dönüş:** [BatchFeature](/docs/transformers/main/tr/main_classes/feature_extractor#transformers.BatchFeature)

Değişiklikten sonra aynı örnek.

`v.to(*args, **kwargs)` çağrısı yaparak tüm değerleri cihaza gönderin (yalnızca PyTorch). Bu, farklı `dtypes` için döküm (casting) desteği sağlamalı ve `BatchFeature` nesnesini farklı bir `device` adresine göndermelidir.

## ImageFeatureExtractionMixin[[transformers.ImageFeatureExtractionMixin]]

#### transformers.ImageFeatureExtractionMixin[[transformers.ImageFeatureExtractionMixin]]

```python
transformers.ImageFeatureExtractionMixin()
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L649)

Görsel özellikleri hazırlamak için yardımcılar içeren karışım (mixin).

#### center_crop[[transformers.ImageFeatureExtractionMixin.center_crop]]

```python
center_crop(image, size)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L883)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya (n_channels, height, width) veya (height, width, n_channels) biçiminde `torch.Tensor`) : Boyutu yeniden ayarlanacak görüntü.

size (`int` veya `tuple[int, int]`) : Görselin kırpılacağı boyut.

**Dönüş:** `new_image`

(n_channels, height, width) biçiminde, merkezden kırpılmış bir `PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`.

`image` öğesini merkezden kırpma yöntemiyle verilen boyuta kırpılır. Görselin, verilen boyuta kırpılmak için yeterince büyük olmaması durumunda, dolgu yapılır (böylece döndürülen sonuç istenen boyuta sahip olur).

#### convert_rgb[[transformers.ImageFeatureExtractionMixin.convert_rgb]]

```python
convert_rgb(image)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L691)

**Parametreler:**

image (`PIL.Image.Image`) : Dönüştürülecek görüntü.

`PIL.Image.Image` nesnesini RGB formatına dönüştürür.

#### expand_dims[[transformers.ImageFeatureExtractionMixin.expand_dims]]

```python
expand_dims(image)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L744)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : Genişletilecek görüntü.

2 boyutlu `image`'yi 3 boyuta genişletir.

#### flip_channel_order[[transformers.ImageFeatureExtractionMixin.flip_channel_order]]

```python
flip_channel_order(image)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L958)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : Renk kanalları ters çevrilecek görüntü. `np.ndarray` veya `torch.Tensor` ise, kanal boyutu ilk sırada olmalıdır.

`image` kanal sırasını RGB'den BGR'ye veya BGR'den RGB'ye çevirir. Dikkat edin, `image` bir PIL Image ise bu işlem NumPy dizisine dönüştürülmesini tetikler.

#### normalize[[transformers.ImageFeatureExtractionMixin.normalize]]

```python
normalize(image, mean, std, rescale = False)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L764)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : Normalize edilecek görüntü.

mean (`list[float]` veya `np.ndarray` veya `torch.Tensor`) : Normalizasyon için kullanılacak ortalama (kanal başına).

std (`list[float]` veya `np.ndarray` veya `torch.Tensor`) : Normalizasyon için kullanılacak standart sapma (kanal başına).

rescale (`bool`, *isteğe bağlı*, varsayılan `False`) : Görüntünün 0 ile 1 arasında yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. Bir PIL görüntüsü sağlanırsa, ölçeklendirme otomatik olarak yapılır.

`image` değerini `mean` ve `std` ile normalize eder. `image` bir PIL Image ise bunun bir NumPy dizisine dönüştürülmesini tetiklediğini unutmayın.

#### yeniden ölçeklendir[[transformers.ImageFeatureExtractionMixin.rescale]]

```python
rescale(image: ndarray, scale: float | int)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L705)

Bir numpy görüntüsünü ölçek miktarına göre yeniden ölçeklendirir

#### resize[[transformers.ImageFeatureExtractionMixin.resize]]

```python
resize(image, size, resample = None, default_to_square = True, max_size = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L816)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : Boyutu yeniden ayarlanacak görüntü.

size (`int` veya `tuple[int, int]`) : Görseli yeniden boyutlandırmada kullanılacak boyut. `size` (h, w) gibi bir dizi ise, çıktı boyutu buna göre ayarlanır. `size` bir int ise ve `default_to_square` `True` ise, görsel (size, size) boyutuna yeniden boyutlandırılır. `size` bir int ise ve `default_to_square` `False` ise, görselin daha kısa kenarı bu sayıya eşitlenir. Örneğin, yükseklik > genişlik ise, görsel (size * height / width, size) boyutuna yeniden ölçeklenir.

resample (`int`, *isteğe bağlı*, varsayılan `PILImageResampling.BILINEAR`) : Yeniden örneklemeye kullanıcı için filtre.

default_to_square (`bool`, *isteğe bağlı*, varsayılan `True`) : `size` tek bir int olduğunda nasıl dönüştürüleceğini belirtir. `True` olarak ayarlanırsa, `size` bir kareye (`size`,`size`) dönüştürülür. `False` olarak ayarlanırsa, yalnızca en küçük kenarı yeniden boyutlandırma desteği ve isteğe bağlı `max_size` ile [`torchvision.transforms.Resize`](https://pytorch.org/vision/stable/transforms.html#torchvision.transforms.Resize) işlevini taklit eder.

max_size (`int`, *isteğe bağlı*, varsayılan `None`) : Yeniden boyutlandırılan görüntünün daha uzun kenarı için izin verilen maksimum değer: Görüntü `size` parametresine göre yeniden boyutlandırıldıktan sonra daha uzun kenarı `max_size` değerinden büyükse, görüntü daha uzun kenarı `max_size` değerine eşit olacak şekilde bir kez daha yeniden boyutlandırılır. Sonuç olarak `size` değeri geçersiz kılınabilir, yani daha kısa kenar `size` değerinden daha kısa olabilir. Yalnızca `default_to_square` değeri `False` ise kullanılır.

**Dönüş:** `image`

Boyutu yeniden ayarlanmış `PIL.Image.Image`.

`image` öğesini yeniden boyutlandırır. Girdinin PIL.Image'e dönüştürülmesini zorlar.

#### döndür[[transformers.ImageFeatureExtractionMixin.rotate]]

```python
rotate(image, angle, resample = None, expand = 0, center = None, translate = None, fillcolor = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L975)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : Döndürülecek görüntü. `np.ndarray` veya `torch.Tensor` ise, döndürülmeden önce `PIL.Image.Image` olarak dönüştürülür.

**Dönüş:** `image`

Döndürülmüş bir `PIL.Image.Image`.

`image` öğesinin döndürülmüş bir kopyasını döndürür. Bu yöntem, `image` öğesinin merkez etrafında verilen derece kadar saat yönünün tersine döndürülmüş bir kopyasını döndürür.

#### to_numpy_array[[transformers.ImageFeatureExtractionMixin.to_numpy_array]]

```python
to_numpy_array(image, rescale = None, channel_first = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L712)

**Parametreler:**

image (`PIL.Image.Image` veya `np.ndarray` veya `torch.Tensor`) : NumPy dizisine dönüştürülecek görüntü.

rescale (`bool`, *isteğe bağlı*) : Ölçekleme çarpanının uygulanıp uygulanmayacağını belirtir (piksel değerlerini 0. ile 1. arasında ondalık sayılar haline getirmek için). Görsel bir PIL Image ise veya tamsayı bir dizi/tensor ise varsayılan olarak `True`, aksi takdirde `False` olur.

channel_first (`bool`, *isteğe bağlı*, varsayılan `True`) : Kanal boyutunu başa almak için görüntünün boyutlarını permütasyon yapılıp yapılmayacağı.

`image` değerini bir numpy dizisine dönüştürür. İsteğe bağlı olarak yeniden ölçekler ve kanal boyutunu ilk boyut olarak yerleştirir.

#### to_pil_image[[transformers.ImageFeatureExtractionMixin.to_pil_image]]

```python
to_pil_image(image, rescale = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_utils.py#L661)

**Parametreler:**

image (`PIL.Image.Image` veya `numpy.ndarray` veya `torch.Tensor`) : PIL Image formatına dönüştürülecek görüntü.

rescale (`bool`, *isteğe bağlı*) : Ölçekleme çarpanının uygulanıp uygulanmayacağını belirtir (piksel değerlerini 0 ile 255 arasında tamsayı yapmak için). Görüntü tipi kayan noktalı bir tipse varsayılan olarak `True`, aksi halde `False` olur.

`image` değerini bir PIL Image nesnesine dönüştürür. Gerekirse yeniden ölçeklendirir ve kanal boyutunu son eksen olarak geri koyar.