YOLOv8数据增强

已于 2024-09-07 21:30:29 修改
阅读量881 收藏 3
点赞数 1
分类专栏： 研究生 文章标签： yolov8
于 2024-09-07 21:23:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BlackBaby_aha/article/details/142004548
版权
1.找到augment.py（ultralytics/data/augment.py），修改对应内容
 # Transforms
 T = [
     A.Blur(p=0.01),
     A.MedianBlur(p=0.01),
     A.ToGray(p=0.01),
     A.CLAHE(p=0.01),
     A.RandomBrightnessContrast(p=0.0),
     A.RandomGamma(p=0.0),
     A.ImageCompression(quality_lower=75, p=0.0),
 ]
2.对应的增强库可以在albumentations找到
3.比如加雾操作，将原始代码修改为：
 # Transforms
 T = [
     A.Blur(p=0.01),
     A.MedianBlur(p=0.01),
     A.ToGray(p=0.01),
     A.CLAHE(p=0.01),
     A.RandomBrightnessContrast(p=0.0),
     A.RandomGamma(p=0.0),
     A.ImageCompression(quality_lower=75, p=0.0),
     A.RandomFog(p=xxx)
 ]
YoloV8数据处理：数据增强篇|图像旋转
m0_47867638的博客
03-18 3851
假设一种情况：数据集是别人给你做好的Yolo格式的数据，是遥感或者无人机拍摄的数据。我们对其做一些旋转增强。
YOLOv8数据增强技巧与最佳实践
2401_87698273的博客
10-29 1238
在训练YOLOv8模型时，数据增强是提高模型泛化能力的重要手段。YOLOv8提供了内置的数据增强功能，可以通过配置文件指定所需的增强方法。通过有效的调优与优化，读者能够提升YOLOv8模型在特定任务中的表现，获得更好的目标检测效果。通过这些数据增强技巧，读者可以显著提升YOLOv8模型的训练效果和检测精度。模型剪枝：通过移除不必要的神经元或通道来减少模型规模，提高推理速度。在训练过程中定期监测模型的性能，调整增强参数，以获得最佳效果。在使用数据增强时，需确保增强后的图像仍然保持目标的可识别性。
YOLOv8自带数据增强调参
m0_61356167的博客
09-13 797
通过色轮的一小部分调整图像的色调，引入颜色可变性。帮助模型在不同的照明条件下进行概括。默认数值为0.015，范围是0.0~1.0。
Yolov8模型调参大全：超详细解读每一个参数
weixin_45303602的博客
07-04 1万+
defalut.yaml配置文件用于设置Yolov8模型的训练和预测参数。 4.1. 类型/模式参数 4.1.1. task: detect 指定Yolov8的任务类型，默认为detect，您也可根据实际应用场景设置为segment、classify、pose等。 4.1.2. mode: train 指定Yolov8的运行模式，默认为train，您也可根据实际操作设置为val、predict、export、track、benchmark等。 4.2. 训练参数 4.2.1. model 模型文件
关于YOLOv8自带的数据增强方式
热门推荐
yxk666的博客
05-29 1万+
以上数据增强策略均可用于目标检测，分割，骨干提取和分类等。有可能加了之后会导致结果指标下降，需要实际实验进行选取。以上内容仅供学习参考使用！！希望对您有所帮助！！
YOLOv8的dataloader，数据增强--源码解析
xiefanmin的博客
12-30 8526
文件：ultralytics/engine/trainer.py属于基类： class文件：ultralytics/models/yolo/detect/train.py属于 子类：class。
YOLOV8目标检测数据增强以及标签格式转换（详细）
用于记录
06-11 2173
YOLOV8目标检测数据增强以及标签格式转换
yolov8使用强数据增强
qq_43755954的博客
09-23 3956
使用库：YOLOv8 支持集成 Albumentations，这个库提供了丰富的数据增强功能，可以自定义强数据增强策略。# 定义强数据增强])# 加载模型# 启用自定义数据增强强数据增强可以通过组合多种图像变换（翻转、旋转、裁剪、颜色抖动等）实现。在 YOLOv8 中，你可以通过调整 data.yaml 文件中的参数来控制增强的强度，或者使用自定义的增强库（如 Albumentations）来实现更复杂的增强方案。这些操作可以显著提高模型的泛化能力，使其更好地适应复杂的真实场景。
Albumentations数据增强（yolov8）
weixin_46480637的博客
04-17 3362
前提要安装这个库，python>=3.8。中的各种方法，P表示概率，可以进行修改。可以看到 T = [
YOLOv5数据增强测试
03-29
本项目聚焦于YOLOv5-6.1版本中的数据增强部分，通过对源码的复现和测试，深入理解并探讨了这一过程。 首先，YOLOv5的数据增强策略包括图像的随机翻转、缩放、旋转、色彩扰动等多个方面。随机翻转通常包括水平翻转，...
Yolo v8数据马赛克数据增强代码详解
laner__gg的博客
09-22 2301
x1a, y1a, x2a, y2a = max(xc - w, 0), max(yc - h, 0), xc, yc # xmin, ymin, xmax, ymax (large image),确定画布区域。9.将标签中的（x,y,w,h）坐标转换为，（w,h,padw,padd）为相对于resize之后图像的数据，该函数的功能是将(x,y,w,h)坐标转换为标签的左上角和右下角坐标。i=0时，左上角的范围：x1a, y1a, x2a, y2a，马赛克图像的左上角和右下角。
YoloV8数据增强扩增数据集OBB(旋转、缩放、噪声、模糊、抖动)
记录图像处理中遇到的点点滴滴
12-13 2001
在Yolo训练自己数据集的时候，如果数据量少为了提升训练效果，通过数据增强的方法让已有的数据扩增是一种有效的方法。
6. Yolov8 LetterBox数据增强详解
YXD0514的博客
08-17 3313
LetterBox数据增强
7. Yolov8 CopyPaste数据增强详解
YXD0514的博客
08-26 3185
CopyPaste数据增强
【YOLO】YOLOv8怎么调参及数据增强策略（持续更新）
steamedobun的博客
09-04 6484
这段配置主要是用于深度学习模型训练过程中的参数设置，特别是在使用Adam优化器时的一些关键参数配置，以及数据增强（Data Augmentation）的策略。
YoloV8实现简化版数据增强mosaic
记录图像处理中遇到的点点滴滴
12-13 798
Yolo系列对训练十分有效的策略马赛克增强，对于模型泛化能力、最终性能都有很大提升，由于Yolo在mosaic时涉及到一些其他变换例如缩放、随机图像占比等，这里单纯实现将4张图合并成一张，同时更新对应的标签，适合想要将单张图加入多个目标的简单实现。
YOLOv5、v8数据增强(随机裁剪、平移、改变亮度、加噪声、旋转、镜像)
weixin_43752269的博客
04-04 4996
直接修改上述内容即可直接使用。
yolov8不启用数据增强
最新发布
03-18
在 YOLOv8 中，可以通过修改配置文件或者命令行参数来禁用数据增强功能。YOLOv8 使用的数据增强通常是在训练阶段通过 `data.yaml` 文件中的设置或默认的超参数配置文件控制的。 以下是具体方法： ### 方法一：通过 YAML 配置文件调整 如果正在使用自定义的 `data.yaml` 或者超参数配置文件（如 `hyp.yaml`），可以找到其中关于数据增强的部分并将其关闭。例如，在超参数配置文件中可能有如下字段： ```yaml mosaic: 0.0 # 关闭马赛克增强 mixup: 0.0 # 关闭混合增强 copy_paste: 0.0 # 关闭复制粘贴增强 degrees: 0.0 # 图像旋转角度设为零 translate: 0.0 # 平移比例设为零 scale: 0.0 # 缩放比例设为零 shear: 0.0 # 剪切程度设为零 hsv_h: 0.0 # HSV颜色空间扰动H通道设为零 hsv_s: 0.0 # HSV颜色空间扰动S通道设为零 hsv_v: 0.0 # HSV颜色空间扰动V通道设为零 flipud: 0.0 # 上下翻转概率设为零 fliplr: 0.0 # 左右翻转概率设为零 ``` 将上述所有涉及数据增强的比例或概率都设置为 `0.0` 即可完全禁用这些增强方式[^1]。 ### 方法二：通过 CLI 参数调整 当运行训练脚本时，也可以通过命令行传递参数的方式覆盖默认的超参数配置。例如： ```bash yolo train model=yolov8n.pt data=path/to/data.yaml epochs=100 mosaic=0 mixup=0 copy_paste=0 degrees=0 translate=0 scale=0 shear=0 hsv_h=0 hsv_s=0 hsv_v=0 flipud=0 fliplr=0 ``` 以上命令会显式地禁用所有的数据增强选项。 ### 方法三：直接编辑源码 如果不希望每次都需要手动指定大量参数，则可以直接修改 YOLOv8 的源代码。进入项目的根目录后，定位到负责加载超参数的相关模块（通常是 `ultralytics/yolo/utils/torch_utils.py` 或类似的路径）。在此处强制将所有增强相关的变量初始化为零即可实现全局禁用效果。 注意：此方法适用于熟悉 Python 和项目结构的开发者，并且可能会随着官方版本更新而失效。 --- ```python # 示例代码片段展示如何动态创建无增强的 hyp 字典用于训练过程 from ultralytics import YOLO model = YOLO('yolov8n.pt') no_augment_hyp = { 'mosaic': 0.0, 'mixup': 0.0, 'copy_paste': 0.0, 'degrees': 0.0, 'translate': 0.0, 'scale': 0.0, 'shear': 0.0, 'hsv_h': 0.0, 'hsv_s': 0.0, 'hsv_v': 0.0, 'flipud': 0.0, 'fliplr': 0.0 } results = model.train(data='path/to/data.yaml', epochs=10, hyp=no_augment_hyp) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值