# Görüntü işleyicileri için yardımcı programlar

Bu sayfa, görüntü işleyiciler tarafından kullanılan tüm yardımcı işlevleri, özellikle görüntüleri işlemek için kullanılan fonksiyonel dönüşümleri listeler.

Bunların çoğu, kütüphanedeki görüntü işleyicilerinin kodunu inceliyorsanız faydalıdır.

## Görüntü Dönüşümleri[[transformers.image_transforms.center_crop]]

#### transformers.image_transforms.center_crop[[transformers.image_transforms.center_crop]]

```python
transformers.image_transforms.center_crop(image: ndarray, size: tuple, data_format: str | transformers.image_utils.ChannelDimension | None = None, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L448)

**Parametreler:**

image (`np.ndarray`) : Kırpılacak görüntü.

size (`tuple[int, int]`) : Kırpılmış görüntü için hedef boyut.

data_format (`str` veya `ChannelDimension`, *isteğe bağlı*) : Çıktı görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. Ayarlanmazsa, girdi görüntüsünün çıkarılan biçimi kullanılır.

input_data_format (`str` veya `ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. Ayarlanmazsa, girdi görüntüsünün çıkarılan biçimi kullanılır.

**Dönüş:** `np.ndarray`

Kırpanmış görüntü.

`image` öğesini merkezden kırpma yöntemiyle belirtilen `size` boyutuna kırpılır. Görselin, verilen boyuta kırpılmak için yeterince büyük olmaması durumunda dolgu yapılır (böylece döndürülen sonuç her zaman `size` boyutunda olur).

#### transformers.image_transforms.center_to_corners_format[[transformers.image_transforms.center_to_corners_format]]

```python
transformers.image_transforms.center_to_corners_format(bboxes_center: TensorType)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L553)

Sınır kutularını merkez formatından köşe formatına dönüştürür.

center format: kutunun merkez koordinatını ve genişlik, yükseklik boyutlarını içerir (center_x, center_y, width, height) corners format: kutunun sol üst ve sağ alt köşe koordinatlarını içerir (top_left_x, top_left_y, bottom_right_x, bottom_right_y)

#### transformers.image_transforms.corners_to_center_format[[transformers.image_transforms.corners_to_center_format]]

```python
transformers.image_transforms.corners_to_center_format(bboxes_corners: TensorType)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L596)

Sınır kutularını köşe biçiminden merkez biçimine dönüştürür.

corners biçimi: kutunun sol üst ve sağ alt köşelerinin koordinatlarını içerir (top_left_x, top_left_y, bottom_right_x, bottom_right_y) center biçimi: kutunun merkez koordinatını ve genişlik, yükseklik boyutlarını içerir (center_x, center_y, width, height)

#### transformers.image_transforms.id_to_rgb[[transformers.image_transforms.id_to_rgb]]

```python
transformers.image_transforms.id_to_rgb(id_map)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L643)

Benzersiz kimliği RGB rengine dönüştürür.

#### transformers.image_transforms.normalize[[transformers.image_transforms.normalize]]

```python
transformers.image_transforms.normalize(image: ndarray, mean: float | collections.abc.Collection[float], std: float | collections.abc.Collection[float], data_format: transformers.image_utils.ChannelDimension | None = None, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L387)

**Parametreler:**

image (`np.ndarray`) : Normalize edilecek görüntü.

mean (`float` veya `Collection[float]`) : Normalizasyon için kullanılacak ortalama.

std (`float` veya `Collection[float]`) : Normalizasyon için kullanılacak standart sapma.

data_format (`ChannelDimension`, *isteğe bağlı*) : Çıktı görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

input_data_format (`ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

`image` değerini, `mean` ve `std` ile belirtilen ortalama ve standart sapma kullanılarak normalize eder.

image = (image - mean) / std

#### transformers.image_transforms.pad[[transformers.image_transforms.pad]]

```python
transformers.image_transforms.pad(image: ndarray, padding: int | tuple[int, int] | collections.abc.Iterable[tuple[int, int]], mode: PaddingMode = <PaddingMode.CONSTANT: 'constant'>, constant_values: float | collections.abc.Iterable[float] = 0.0, data_format: str | transformers.image_utils.ChannelDimension | None = None, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L673)

**Parametreler:**

image (`np.ndarray`) : Dolgusu yapılacak görüntü.

padding (`int` veya `tuple[int, int]` veya `Iterable[tuple[int, int]]`) : Yükseklik ve genişlik eksenlerinin kenarlarına uygulanacak dolgu. Üç formattan biri olabilir: - `((before_height, after_height), (before_width, after_width))` her eksen için benzersiz dolgu genişlikleri. - `((before, after),)` yükseklik ve genişlik için aynı before ve after dolgusunu üretir. - `(pad,)` veya int, tüm eksenler için before = after = pad genişliğinin kısayoludur.

mode (`PaddingMode`) : Kullanılacak dolgu modu. Aşağıdakilerden biri olabilir: - `"constant"`: sabit bir değerle doldurur. - `"reflect"`: her eksen boyunca vektörün ilk ve son değerlerine göre aynalanmış yansımasıyla doldurur. - `"replicate"`: her eksen boyunca dizi kenarındaki son değerin kopyalanmasıyla doldurur. - `"symmetric"`: dizi kenarı boyunca aynalanmış vektör yansımasıyla doldurur.

constant_values (`float` veya `Iterable[float]`, *isteğe bağlı*) : `mode` değeri `"constant"` ise dolgu için kullanılacak değer.

data_format (`str` veya `ChannelDimension`, *isteğe bağlı*) : Çıktı görüntüsü için kanal boyutu biçimi. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. Ayarlanmazsa, girdi görüntüsüyle aynı kullanılır.

input_data_format (`str` veya `ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. Ayarlanmazsa, girdi görüntüsünün çıkarılan biçimi kullanılır.

**Dönüş:** `np.ndarray`

Dolgulu görüntü.

`image` öğesini belirtilen (yükseklik, genişlik) `padding` ve `mode` ile doldurur.

#### transformers.image_transforms.rgb_to_id[[transformers.image_transforms.rgb_to_id]]

```python
transformers.image_transforms.rgb_to_id(color)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L632)

RGB rengini benzersiz bir kimliğe dönüştürür.

#### transformers.image_transforms.rescale[[transformers.image_transforms.rescale]]

```python
transformers.image_transforms.rescale(image: ndarray, scale: float, data_format: transformers.image_utils.ChannelDimension | None = None, dtype: dtype = <class 'numpy.float32'>, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L92)

**Parametreler:**

image (`np.ndarray`) : Yeniden ölçeklendirilecek görüntü.

scale (`float`) : Görseli yeniden ölçeklendirmek için kullanılacak ölçek.

data_format (`ChannelDimension`, *isteğe bağlı*) : Görselin kanal boyutu biçimi. Verilmezse, girdi görseliyle aynı olacaktır.

dtype (`np.dtype`, *isteğe bağlı*, varsayılan `np.float32`) : Çıktı görüntüsünün dtype değeri. Varsayılan olarak `np.float32` kullanılır. Özellik çıkarıcılarla geriye dönük uyumluluk için kullanılır.

input_data_format (`ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Sağlanmazsa, girdi görüntüsünden çıkarılır.

**Dönüş:** `np.ndarray`

Yeniden ölçeklendirilmiş görüntü.

`image` öğesini `scale` ile yeniden ölçekler.

#### transformers.image_transforms.resize[[transformers.image_transforms.resize]]

```python
transformers.image_transforms.resize(image: ndarray, size: tuple, resample: typing.Optional[ForwardRef('PILImageResampling')] = None, reducing_gap: int | None = None, data_format: transformers.image_utils.ChannelDimension | None = None, return_numpy: bool = True, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L316)

**Parametreler:**

image (`np.ndarray`) : Boyutu yeniden ayarlanacak görüntü.

size (`tuple[int, int]`) : Görseli yeniden boyutlandırmak için kullanılacak boyut.

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

reducing_gap (`int`, *opsiyonel*) : Görüntüyü iki adımda yeniden boyutlandırarak optimizasyon uygulayın. `reducing_gap` değeri ne kadar büyükse, sonuç o kadar adil örneklemeye yakın olur. Daha fazla ayrıntı için ilgili Pillow belgesine bakın.

data_format (`ChannelDimension`, *isteğe bağlı*) : Çıktı görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

return_numpy (`bool`, *isteğe bağlı*, varsayılan `True`) : Yeniden boyutlandırılmış görüntünün bir numpy dizisi olarak döndürülüp döndürülmeyeceğini belirtir. False ise bir `PIL.Image.Image` nesnesi döndürülür.

input_data_format (`ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

**Dönüş:** `np.ndarray`

Yeniden boyutlandırılmış görüntü.

PIL kütüphanesini kullanarak `image` öğesini `size` tarafından belirlenen `(height, width)` boyutlarına yeniden boyutlandırır.

#### transformers.image_transforms.to_pil_image[[transformers.image_transforms.to_pil_image]]

```python
transformers.image_transforms.to_pil_image(image: typing.Union[numpy.ndarray, ForwardRef('PIL.Image.Image'), ForwardRef('torch.Tensor')], do_rescale: bool | None = None, image_mode: str | None = None, input_data_format: str | transformers.image_utils.ChannelDimension | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_transforms.py#L157)

**Parametreler:**

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

do_rescale (`bool`, *isteğe bağlı*) : Ölçekleme çarpanının uygulanıp uygulanmayacağını belirtir (piksel değerlerini 0 ile 255 arasında tamsayıya dönüştürmek için). Görsel türü kayan noktalı bir türse ve `int` tipine dönüştürme hassasiyet kaybına yol açacaksa varsayılan olarak `True`, aksi halde `False` olur.

image_mode (`str`, *isteğe bağlı*) : PIL görüntüsü için kullanılacak mod. Ayarlanmazsa, girdi görüntü türünün varsayılan modu kullanılır.

input_data_format (`ChannelDimension`, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, girdiden çıkarılan biçim kullanılır.

**Dönüş:** `PIL.Image.Image`

Dönüştürülen görüntü.

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

## ImageProcessingMixin[[transformers.ImageProcessingMixin]]

#### transformers.ImageProcessingMixin[[transformers.ImageProcessingMixin]]

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

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L61)

Bu, ardışık ve görüntü özellik çıkarıcıları için kaydetme/yükleme işlevselliği sağlamak için kullanılan bir görüntü işleyici karışımıdır (mixin).

#### fetch_images[[transformers.ImageProcessingMixin.fetch_images]]

```python
fetch_images(image_url_or_urls: str | list[str] | list[list[str]])
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L489)

Tek bir URL veya URL listesini ilgili `PIL.Image` nesnelerine dönüştürür.

Tek bir url geçirilirse, dönüş değeri tek bir nesne olacaktır. Bir liste geçirilirse, nesnelerden oluşan bir liste döndürülür.

#### from_dict[[transformers.ImageProcessingMixin.from_dict]]

```python
from_dict(image_processor_dict: dict, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L366)

**Parametreler:**

image_processor_dict (`dict[str, Any]`) : Görüntü işleyici nesnesini örneklemek için kullanılacak sözlük. Böyle bir sözlük, [to_dict()](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin.to_dict) yöntemi kullanılarak önceden eğitilmiş bir kontrol noktasından elde edilebilir.

kwargs (`dict[str, Any]`) : Görüntü işleyici nesnesini başlatmak için kullanılacak ek parametreler.

**Dönüş:** [ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin)

Bu parametrelerden örneklenen görüntü işleyici nesnesi.

Parametrelerin Python sözlüğünden bir [ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin) türü örnekler.

#### from_json_file[[transformers.ImageProcessingMixin.from_json_file]]

```python
from_json_file(json_file: str | os.PathLike)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L419)

**Parametreler:**

json_file (`str` veya `os.PathLike`) : Parametreleri içeren JSON dosyasının yolu.

**Dönüş:** [ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin) türünde bir görüntü işleyici

O JSON dosyasından örneklenen image_processor nesnesi.

Parametrelerin JSON dosyasına giden yoldan [ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin) türünde bir görüntü işleyici örnekler.

#### from_pretrained[[transformers.ImageProcessingMixin.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/image_processing_base.py#L84)

**Parametreler:**

pretrained_model_name_or_path (`str` veya `os.PathLike`) : Şu seçeneklerden biri olabilir:  - huggingface.co üzerindeki bir model deposunda barındırılan ön eğitilmiş bir *model id*'sine sahip image_processor için bir dize. - [save_pretrained()](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin.save_pretrained) yöntemiyle kaydedilmiş bir image processor dosyası içeren bir *dizin* yoluna, örneğin `./my_model_directory/`. - kaydedilmiş bir image processor JSON *dosyası* yoluna, örneğin `./my_model_directory/preprocessor_config.json`.

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

force_download (`bool`, *isteğe bağlı*, varsayılan `False`) : Görsel işleyici dosyalarının indirilmesini (yeniden) zorlayıp indirmeyi ve varsa önbellekteki sürümleri geçersiz kılıp kılmayacağını belirtir.

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 image processor nesnesini döndürür. `True` ise, bu fonksiyon `Tuple(image_processor, unused_kwargs)` döndürür; burada *unused_kwargs*, anahtarları image processor öznitelikleri olmayan anahtar/değer çiftlerinden oluşan bir sözlüktür; yani `kwargs` içindeki, `image_processor` güncellemek için kullanılmamış ve aksi halde yok sayılan kısımdır.

subfolder (`str`, *isteğe bağlı*, varsayılan `""`) : İlgili dosyalar huggingface.co üzerindeki model deposunun bir alt klasöründe bulunuyorsa, buraya klasör adını belirtebilirsiniz.

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

**Dönüş:**

[ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin) türünde bir görüntü işleyici.

Bir görüntü işleyicisinden [ImageProcessingMixin](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin) türünün bir örneğini oluşturun.

Örnekler:

```python
# We can't instantiate directly the base class *ImageProcessingMixin* so let's show the examples on a
# derived class: *CLIPImageProcessor*
image_processor = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32"
)  # Download image_processing_config from huggingface.co and cache.
image_processor = CLIPImageProcessor.from_pretrained(
    "./test/saved_model/"
)  # E.g. image processor (or model) was saved using *save_pretrained('./test/saved_model/')*
image_processor = CLIPImageProcessor.from_pretrained("./test/saved_model/preprocessor_config.json")
image_processor = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32", do_normalize=False, foo=False
)
assert image_processor.do_normalize is False
image_processor, unused_kwargs = CLIPImageProcessor.from_pretrained(
    "openai/clip-vit-base-patch32", do_normalize=False, foo=False, return_unused_kwargs=True
)
assert image_processor.do_normalize is False
assert unused_kwargs == {"foo": False}
```

#### get_image_processor_dict[[transformers.ImageProcessingMixin.get_image_processor_dict]]

```python
get_image_processor_dict(pretrained_model_name_or_path: str | os.PathLike, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L238)

**Parametreler:**

pretrained_model_name_or_path (`str` veya `os.PathLike`) : Parametreler sözlüğünü almak istediğimiz önceden eğitilmiş kontrol noktasının tanımlayıcısı.

subfolder (`str`, *isteğe bağlı*, varsayılan `""`) : İlgili dosyalar huggingface.co üzerindeki model deposunun bir alt klasöründe bulunuyorsa, buraya klasör adını belirtebilirsiniz.

image_processor_filename (`str`, *isteğe bağlı*, varsayılan `"config.json"`) : Görüntü işleyici yapılandırması için model dizininde kullanılacak dosyanın adı.

**Dönüş:** `tuple[Dict, Dict]`

Görsel işleyici nesnesini örneklemek için kullanılacak sözlük(ler).

`pretrained_model_name_or_path` üzerinden, `from_dict` kullanılarak `~image_processor_utils.ImageProcessingMixin` türünde bir image processor örneği oluşturmak için kullanılacak parametreler sözlüğüne çözümlenir.

#### push_to_hub[[transformers.ImageProcessingMixin.push_to_hub]]

```python
push_to_hub(repo_id: str, commit_message: str | None = None, commit_description: str | None = None, private: bool | None = None, token: bool | str | None = None, revision: str | None = None, create_pr: bool = False, max_shard_size: int | str | None = '50GB', tags: list[str] | None = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/utils/hub.py#L822)

**Parametreler:**

repo_id (`str`) : Görsel işleyicinizin (image processor) itmek istediğiniz deposunun adı. Belirli bir organizasyona itme işlemi sırasında organizasyon adınızı içermelidir.

commit_message (`str`, *isteğe bağlı*) : İterilirken commit edilecek mesaj. Varsayılan olarak `"Upload image processor"` olur.

commit_description (`str`, *isteğe bağlı*) : Oluşturulacak commit'in açıklaması

private (`bool`, *isteğe bağlı*) : Deponun özel yapılıp yapılmayacağını belirtir. `None` (varsayılan) ise, organizasyonun varsayılanı özel değilse depo herkese açık olur. Depo zaten mevcutsa bu değer yok sayılır.

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

revision (`str`, *isteğe bağlı*) : Yüklenen dosyaların itileceği dal.

create_pr (`bool`, *isteğe bağlı*, varsayılan `False`) : Yüklenen dosyalarla bir PR oluşturulup oluşturulmayacağı veya doğrudan commit atılıp atılmayacağı.

max_shard_size (`int` veya `str`, *isteğe bağlı*, varsayılan `"50GB"`) : Yalnızca modeller için geçerlidir. Bir checkpoint'in parçalanmadan önceki maksimum boyutu. Parçalanan checkpoint'lerin her biri bu boyuttan küçük olacaktır. Dize olarak ifade ediliyorsa, birimle (örneğin `"5MB"`) birlikte rakamlardan oluşmalıdır.

tags (`list[str]`, *isteğe bağlı*) : Hub'a itilecek etiketlerin listesi.

Görsel işleyici dosyasını 🤗 Model Hub'a yükleyin.

Örnekler:

```python
from transformers import AutoImageProcessor

image processor = AutoImageProcessor.from_pretrained("google-bert/bert-base-cased")

# Push the image processor to your namespace with the name "my-finetuned-bert".
image processor.push_to_hub("my-finetuned-bert")

# Push the image processor to an organization with the name "my-finetuned-bert".
image processor.push_to_hub("huggingface/my-finetuned-bert")
```

#### register_for_auto_class[[transformers.ImageProcessingMixin.register_for_auto_class]]

```python
register_for_auto_class(auto_class = 'AutoImageProcessor')
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L467)

**Parametreler:**

auto_class (`str` veya `type`, *opsiyonel*, varsayılan `"AutoImageProcessor "`) : Bu yeni görüntü işleyicisinin kaydedileceği otomatik sınıf.

Bu sınıfı, verilen bir otomatik sınıfa kaydedin. Bu, yalnızca özel görüntü işleyicileri için kullanılmalıdır; çünkü kütüphanedekiler zaten `AutoImageProcessor ` ile eşlenmiştir.

#### save_pretrained[[transformers.ImageProcessingMixin.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/image_processing_base.py#L190)

**Parametreler:**

save_directory (`str` veya `os.PathLike`) : Görüntü işleyici 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.

Bir görüntü işleyici nesnesini, [from_pretrained()](/docs/transformers/main/tr/internal/image_processing_utils#transformers.ImageProcessingMixin.from_pretrained) sınıf yöntemiyle yeniden yüklenebilmesi için `save_directory` dizinine kaydedin.

#### to_dict[[transformers.ImageProcessingMixin.to_dict]]

```python
to_dict()
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L407)

**Dönüş:** `dict[str, Any]`

Bu görüntü işleyici örneğini oluşturan tüm özniteliklerin sözlüğü.

Bu örneği bir Python sözlüğüne serialize eder.

#### to_json_file[[transformers.ImageProcessingMixin.to_json_file]]

```python
to_json_file(json_file_path: str | os.PathLike)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L453)

**Parametreler:**

json_file_path (`str` veya `os.PathLike`) : Bu image_processor örneğinin parametrelerinin kaydedileceği JSON dosyasının yolu.

Bu örneği bir JSON dosyasına kaydedin.

#### to_json_string[[transformers.ImageProcessingMixin.to_json_string]]

```python
to_json_string()
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_base.py#L438)

**Dönüş:** `str`

Bu feature_extractor örneğini oluşturan tüm öznitelikleri JSON biçiminde içeren dize.

Bu örneği bir JSON dizgesine serialize eder.