图像增强库Albumentations（一）

1.大体的认识、有用没用的bb

官网：https://albumentations.ai/

github：https://github.com/albumentations-team/albumentations

例子：https://github.com/albumentations-team/albumentations_examples

特点：分类、目标检测、分割等任务都支持增强，与pytorch等框架都兼容，是Pytorch生态的一部分。

1.1 为什么图像增强能提升深度学习的性能？

DNN需要大量数据避免过拟合，数据成本很高：1.训练数据要标注，昂贵；2.有的训练数据本身就很难收集，法律限制等。

图像增强是：根据已有数据，创造新的训练数据的方法。就是对原图进行调整，如裁剪，亮度变化等。例子：

1.2 为什么需要一个单独的图像增强的库？

图像增强看似简单，基本的转换有：mirroring,cropping,改变亮度、分辨率等。很多库都能实现，Pillow与cv2等，但是有很多限制.

1.可以改变label

如，在分割、目标检测与关键点检测的任务里，label需要同image一起进行相应的转化的。torchvision应该是没有现成的实现的，Pillow与cv2应该需要你自己实现，就很复杂的！

对分类任务你只要改变image即可，label是不变的。

但是对分割，旋转了之后，对应的mask的label也要对应改变！

目标检测也一样，框的位置，大小在image调整后，都要进行相应的进行调整。

2.可设置概率与强度（torchvision也可以）

通常数据集大，增强的概率10-30%，强度不需要太大；数据集小，概率40-50%，加大强度。

3.明确的增强进行的pipeline（torchvision也可以）

就是Compose

import albumentations as A

transform = A.Compose([
    A.Ra