numpy pytorch 接口对应_目标检测：数据增强（Numpy+Pytorch）

上文我们讲了在图像分类问题的数据增强的几种方法，其中很重要的方式为图像的随机裁剪，我们可以轻松地调用Pytorch框架的API加以实现，但是在图像检测问题中，如何实现数据增强的效果呢？由于我们对图像进行了随机裁剪，那么GT boxes的位置信息也会发生变化，可能会被裁剪为一半或者什么的，所以对于检测问题，直接使用Pytorch的API是不可以的，那么我们就从Numpy的底层来实现一个数据增强的程序！

分类问题的数据增强：TeddyZhang：图像分类：数据增强(Pytorch版)​zhuanlan.zhihu.com

需要工程源码的请点赞！！！哈哈哈~

数据格式

已知我们的图像为3通道R/G/B，而且一幅图像标记的Boxes为[N, 4]，其中N为一幅图像的真实框数，那么我们就来看看在检测问题中数据增强怎么做的？4维数据分别是[x1, y1, w, h]，假设我们的模型的输入图片定义为1024x1024

随机裁剪 (对标记的Boxes进行处理)从图像中随机裁剪一个正方形，边长范围为[0.3*min, max], min为长与宽的最小值

计算真实框的中心点，裁剪区域一定要包含这些中心点

将原始图的GT Boxes变换成裁剪图的GT boxes

去掉那些过小的GT boxes, 不参与训练

# 3. 随机进行裁剪

def random_crop(self, im, boxes, labels):

imh, imw, _ = im.shape

short_size = min