自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

flyfish

西笑生

西笑生 CSDN认证博客专家 CSDN认证企业博客

码龄16年

人工智能领域优质创作者

1084: 原创

1069: 周排名

252: 总排名

344万+: 访问

: 等级

3万+: 积分

2万+: 粉丝

5070: 获赞

838: 评论

1万+: 收藏

私信

关注

热门文章

分类专栏

最新评论

C++ 类型推断工具 decltype
CSDN-Ada助手: 哇, 你的文章质量真不错，值得学习！不过这么高质量的文章, 还值得进一步提升, 以下的改进点你可以参考下: (1)提升标题与正文的相关性；(2)使用更多的站内链接。
深度学习基础 - 梯度下降
西笑生: 对于函数 y=x^2其导数（梯度）为 dy/dx=2x 给定学习率为 η=0.3 xnew=xold−η∗(dy/dxy) 第一轮迭代初始 x=5 计算梯度 dydx=2∗5=10 更新 x 的值: xnew=5−0.3∗10=5−3=2 第二轮迭代现在 x=2 计算梯度 dy/dx=2∗2=4 更新 x 的值: xnew=2−0.3∗4=2−1.2=0.8 第一轮迭代后 x 的值为 2，第二轮迭代后 x 的值为 0.8
目标检测 YOLOv5 - 数据增强
西笑生: def augment_and_save(image, labels, save_dir, image_name, augment_times=5): for i in range(augment_times): # HSV变换 augment_hsv(image, hgain=0.015, sgain=0.7, vgain=0.4) # 随机透视变换 img, labels = random_perspective(image, labels, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, border=(0, 0)) # 保存增强后的图像和标签 save_image_and_labels(img, labels, save_dir, f'{image_name}_aug_{i}') # 读取数据集目录 image_dir = Path('path_to_images') label_dir = Path('path_to_labels') save_dir = Path('path_to_save_augmented_images') # 创建保存目录 os.makedirs(save_dir, exist_ok=True) # 遍历数据集 for image_path in image_dir.glob('*.jpg'): label_path = label_dir / (image_path.stem + '.txt') image, labels = load_image_and_labels(str(image_path), str(label_path)) augment_and_save(image, labels, save_dir, image_path.stem) print("数据增强完成！") 两块代码你自己连起来吧，这是手动，剩余你自己改吧，回复有字数限制。
目标检测 YOLOv5 - 数据增强
西笑生: import os import cv2 import numpy as np from pathlib import Path from utils.datasets import letterbox from utils.augmentations import augment_hsv, random_perspective from utils.general import xywhn2xyxy, xyxy2xywhn def load_image_and_labels(image_path, label_path): # 读取图像和标签 img = cv2.imread(image_path) labels = np.loadtxt(label_path, dtype=np.float32).reshape(-1, 5) return img, labels def save_image_and_labels(image, labels, save_dir, image_name): # 保存图像和标签 cv2.imwrite(f'{save_dir}/{image_name}.jpg', image) np.savetxt(f'{save_dir}/{image_name}.txt', labels, fmt='%f')
目标检测 YOLOv5 - 数据增强
西笑生: YOLOv5自带了一些数据增强技术，例如随机裁剪、随机旋转、颜色抖动、尺度变化等操作，可以动态的生成多样化的数据样本，自动扩充数据集。

最新文章

2024

预测

关注

指根据历史数据序列分析其内在规律，预测未来数据走势，利用已有时间序列数据来预测未来数据，目标是尽可能准确地预测未来的值。一种数据分析技术，主要用于预测未来事件，它基于过去数据随时间变化的趋势。

关注数：文章数：16 文章阅读量：6975 文章收藏量：60

作者: 西笑生

西笑生

展开