yolov5数据增强避免目标残缺的代码处理

猫猫与橙子

于 2024-01-18 14:11:08 发布

阅读量159

点赞数

分类专栏：目标检测论文分享，代码复现文章标签： YOLO 人工智能深度学习

本文链接：https://blog.csdn.net/qq_22764813/article/details/135672765

版权

论文分享，代码复现同时被 2 个专栏收录

15 篇文章 108 订阅 ¥19.90 ¥99.00

订阅专栏

目标检测

14 篇文章 1 订阅

订阅专栏

在训练YOLOv5小目标检测模型时，数据增强可能导致目标区域残缺，尤其对文字目标影响显著，造成模型误检。通过修改`utils/datasets.py`和`utils/augmentations.py`中的代码，对增强后的数据进行适配性处理，以避免目标残缺的问题。

摘要由CSDN通过智能技术生成

在训练小目标检测的时候，yolov5数据常用的增强会导致目标残缺，特别是对文字目标进行检测的时候，增强导致文字目标残缺后，训练出的模型常常会出现误检，将部分笔画检测出文字；所以就对目标中的数据增强后的结果做了合适的处理：

替换代码包括（utils/datasets.pyutils/datasets.py line 755）：

    #---原始代码--begin
#     for x in (labels4[:, 1:], *segments4):
#         np.clip(x, 0, 2 * s, out=x)  # clip when using random_perspective()
    #----end
    
    #---新的代码：fxp begin
    width_ = 2*s
    img4, labels4 = selected_elements_func_x(img4, labels4, width

了解本专栏