Data Enhance
数据增强方法,像素维度、空间维度、bbox增强、mask增强、关键点增强等方法。Augly、imgaug、albumentations等
ViatorSun
深度学习算法工程师,Github开源世界贡献者,专注于『计算机视觉、多模态大模型』领域
展开
-
「Pytorch」CopyPaste 数据增强
数据增广是提升模型泛化能力重要的手段之一,CopyPaste 是一种新颖的数据增强技巧,已经在目标检测和实例分割任务中验证了有效性。利用 CopyPaste,可以合成文本实例来平衡训练图像中的正负样本之间的比例。相比而言,传统图像旋转、随机翻转和随机裁剪是无法做到的。这样就比较好地提升了样本丰富度,同时也增加了模型对环境的鲁棒性。如下图所示,通过在左下角的图中裁剪出来的文本,随机旋转缩放之后粘贴到左上角的图像中,进一步丰富了该文本在不同背景下的多样性。原创 2024-07-09 11:32:04 · 647 阅读 · 1 评论 -
「图像 merge」无中生有制造数据
在进行一个新项目的时候,往往缺少一些真实数据,导致没办法进行模型训练,这时候就需要算法工程师自行制作一些数据了,比如这篇文章分享的 bag 目标检测,在检测区域没有真实的 bag数据此时,就可以采用图像拼接的方式将凑集到的 bag图像粘贴到场景图像中【前提,目标图一般为“大头贴”】,当然场景图片并不是所有的位置都可以粘贴,一般有特定区域,比如 地面、墙壁、某设备等,因此还需要采用标注工具将这些目标区域标注出来,算法通过读取对应的目标区域,随机设定区域内的坐标点进行粘贴,将目标图粘贴到场景图当中。原创 2023-11-01 23:58:57 · 504 阅读 · 0 评论 -
「图像 cv2.seamlessClone」无中生有制造数据
写的是图片直接融合,此方法生成的图片相对而言比较生硬,虽然目标图片已经透明化处理过了,但是生成的图片依旧很假。此方法融合图片时,目标区域不能按照目标的边缘进行透明化抠图,需要包含一部分的边缘信息,不然融合效果会很差。并不是万能的,需要根据实际情况测试,页根据目标模版的制作效果有很大关系。除了上述上述的图片叠加融合之外,还有一种更加自然的融合方法,就是。】一致,相关代码已附在博客中,自行移步查看。此算法的 目标图透明化处理/抠图处理与 【,生成的效果图如下图所示。原创 2023-11-02 16:40:13 · 826 阅读 · 1 评论 -
「详解」imgaug 图像增强方法
imgaug 是一个比torchvision更强大的数据增强工具包,这不仅体现在数据增强类别上,也包括数据增强方法的使用。比如,imgaug不仅提供了一些常见的shape增强方法和color增强方法,例如旋转、对比度等,也提供了加雨、加雾这些增强方法。此外,imgaug也可以设置keypoint等,对比数据增强前后关键点未知的变化。原创 2023-03-15 15:06:46 · 2817 阅读 · 1 评论 -
「数据增强」opencv实现雪花
【代码】「数据增强」opencv实现雪花原创 2022-12-25 20:08:23 · 343 阅读 · 0 评论 -
常见数据增强算法
【代码】常见数据增强算法。原创 2022-12-01 16:39:13 · 439 阅读 · 0 评论