Yolov5(v6.1)数据增强方式解析

已于 2023-11-08 19:18:28 修改
阅读量3w 收藏 306
点赞数 37
分类专栏： YOLOv5/v7改进实战 文章标签： 深度学习 python
于 2022-05-15 22:50:13 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/124741952
版权
本文深入探讨YOLOv5的数据增强技术，特别是Mosaic增强方法，它通过随机裁剪、缩放和拼接4张图片来丰富数据集，提升模型的泛化能力。此外，文章还介绍了如何在实践中调整和应用Mosaic增强，并分享了作者的YOLOv5实战经验，包括模型改进和调参技巧。
摘要由CSDN通过智能技术生成
🌟想了解YOLO系列算法更多教程欢迎订阅我的专栏🌟

对于基础薄弱的同学来说，推荐阅读《目标检测蓝皮书》📘，里面涵盖了丰富的目标检测实用知识，是你迅速掌握目标检测的理想选择！

如果想了解 YOLOv5 和 YOLOv7 系列算法的训练和改进，可以关注专栏《YOLOv5/v7 改进实战》🌟。该专栏涵盖了丰富的YOLO实用教程，专门为改进YOLO的同学而设计。该专栏阅读量已经突破60w+🚀，被誉为全网最经典的教程！所有的改进方法都提供了详细的手把手教学！

《YOLOv5/v7 进阶实战》

了解本专栏 订阅专栏 解锁全文
迪菲赫尔曼
关注
专栏目录
订阅专栏
手把手带你调参YOLOv5 (v5.0-v7.0)（推理）
YOLOv8项目贡献者
04-24 14万+
解析YOLOv5项目中detect.py文件27个参数含义
YOLOv5 数据增强data augmentation (七)
sebeefe的博客
03-02 5072
1.数据增强介绍 当我们训练集中的图片比较少时，容易造成网络的过拟合。为了避免这种情况一般我们要经过图像处理的方法，人为地去增加些图片数据，这样就会增加我们可用图片的数目，减少过拟合的可能性。 可以通过像素级的剪裁(Crop)、旋转(Rotation)、反转(Flip)、色调(Hue)、饱和度(Saturation)、曝光量(Exposure)、宽高比(Aspect)来做数据增强。 另外还可以在图片级数据增强，比如MixUp、CurMix、Mosaic、Blur 2.图片级像素增强 Mixup
YOLOv5数据增强方法
weixin_35756373的博客
01-08 4395
YOLOv5的数据增强方法包括以下几种： 随机剪裁：随机从输入图像中剪裁出一块区域并将其作为新的输入。 随机翻转：随机将输入图像左右或上下翻转。 随机颜色变化：随机调整输入图像的对比度、亮度和饱和度。 随机加噪：在输入图像上随机添加噪声。 随机模糊：使用高斯模糊或中值滤波器对输入图像进行随机模糊。 通过这些方法，可以在训练期间扩充数据集，从而使模型更加稳健。 ...
YOLOv5的数据增强详解
最新发布
qq_54695558的博客
09-06 723
本来是为了对使用了yolov5模型的项目数据集做数据增强，但在学习的过程中发现yolov5本身具有特别多的数据增强方法，现在就来学习一下!由于数据增强方式太多，刚开始只要记住哪种数据增强方式对应哪种效果就好。
YOLOV5数据增强有这些！---也可自己新增数据增强方法（裁剪、平移 、旋转、改变亮度、加噪声）
CSDN_DU666666的博客
10-10 1万+
YOLOv5数据增强
基于YOLOv5框架的数据增强策略研究与实现：针对小规模数据集的扩展与增强技术
我的青春一去不复返
07-31 904
基于YOLOv5框架的针对小规模数据集的扩展与增强技术
Yolov5 数据增强 - Mosaic
qq_35326529的博客
12-15 5700
Mosaic
yolov5-v6.1
weixin_49766448的博客
12-08 664
yolov5-6.1训练过程
【目标检测-YOLO】YOLOv5-v6.0-网络架构详解（第二篇）
博观约取，厚积薄发
03-31 1万+
YOLOv5-v6.0-网络架构详解，包含架构图
YOLOv5数据增强测试
03-29
对YOLOv5-6.1源码中的数据增强部分进行代码复现与测试
手把手带你调参YOLOv5 (v5.0-v7.0)（训练）
热门推荐
YOLOv8项目贡献者
04-25 5万+
解析YOLOv5 train.py文件中38个参数含义
YOLOv5的Tricks | 【Trick12】YOLOv5使用的数据增强方法汇总
Clichong
08-07 2万+
在专栏前面的内容一直介绍的是yolov5训练时候使用的一些技巧，这里用这篇博客最后归纳一下yolov5在数据增强上所使用的技巧。 在yolov3-spp专栏的时候，我介绍过yolov3-spp大致所使用的一些数据增强的方法： 数据增强：Mosaic 数据增强：随机旋转、平移、缩放、错切、HSV 在之前详细的介绍过代码，而在yolov5这里，其实代码是类似的，甚至函数的名字都没有变化，看过源码的朋友就可能知道了，改变的地方其实不是很多，所以这里就不再详细介绍代码的细节了，只是总结一下使用的数据增强。...
Yolov5数据增强（Data Augmentation）
weixin_47783491的博客
06-14 640
Yolov5数据增强
YOLO数据集实现数据增强的方法（裁剪、平移 、旋转、改变亮度、加噪声等）
路人贾的博客
07-16 3万+
数据集样本太少怎么办？数据集优质图像不够怎么办？如何做到更好的数据预处理？一文带你学会数据增强，还可实现带标签的扩充。
YOLOv5数据增强
qq_36076110的博客
07-27 1912
主要分析masaic数据增强中用到的random_perspective函数
目标检测 YOLOv5 - 数据增强
flyfish
08-28 4万+
目标检测 YOLOv5 - 数据增强 flyfish 本文所描述的数据增强包含一下7个超参数，一共使用两个函数实现 以参数存储在hyp.scratch.yaml文件中 # hsv_h: 0.015 # image HSV-Hue augmentation (fraction) # hsv_s: 0.7 # image HSV-Saturation augmentation (fraction) # hsv_v: 0.4 # image HSV-Value augmentation (fraction)
yolov5数据增强、代码解读
weixin_41012399的博客
07-27 1万+
yolov5中用到的数据增强方法： self.mosaic 启用马赛克增强 self.mosaic_border = [-img_size // 2, -img_size // 2] 马赛克扩充 albumentations.Blur(p=0.1), 用一个随机尺寸的核来模糊图片 albumentations.MedianBlur(p=0.1), 使用中值滤波 albumentations.ToGray(p=0.01)], 转化成灰度图 HSV color-space
YOLOv5Mosaic数据增强代码
04-07
根据提供的引用内容，我无法找到YOLOv5Mosaic数据增强的具体代码。但是，我可以为您提供一个关于YOLOv5数据增强的示例代码，您可以根据需要进行修改和适应。 ```python import cv2 import numpy as np import random def mosaic(image, boxes, size=9): """ Mosaic数据增强函数 :param image: 原始图像 :param boxes: 目标框坐标列表，每个目标框为[x_min, y_min, x_max, y_max] :param size: Mosaic块的大小，默认为9 :return: 增强后的图像和目标框坐标 """ h, w, _ = image.shape new_image = image.copy() new_boxes = [] # 随机选择四个块 indices = random.sample(range(len(boxes)), 4) for i, index in enumerate(indices): x_min, y_min, x_max, y_max = boxes[index] # 计算块的位置和大小 x_start = int(x_min * w) y_start = int(y_min * h) x_end = int(x_max * w) y_end = int(y_max * h) block_w = x_end - x_start block_h = y_end - y_start # 随机选择一个块作为基准块 if i == 0: base_block = (x_start, y_start, x_end, y_end) # 将其他块缩放到基准块的大小 new_x_start = int(base_block[0] + (i % 2) * block_w) new_y_start = int(base_block[1] + (i // 2) * block_h) new_x_end = int(new_x_start + block_w) new_y_end = int(new_y_start + block_h) # 将块复制到新图像中 new_image[new_y_start:new_y_end, new_x_start:new_x_end] = image[y_start:y_end, x_start:x_end] # 更新目标框坐标 new_boxes.append([new_x_start / w, new_y_start / h, new_x_end / w, new_y_end / h]) return new_image, new_boxes # 示例用法 image = cv2.imread("image.jpg") boxes = [[0.1, 0.2, 0.3, 0.4], [0.5, 0.6, 0.7, 0.8], [0.2, 0.3, 0.4, 0.5], [0.6, 0.7, 0.8, 0.9]] mosaic_image, mosaic_boxes = mosaic(image, boxes) cv2.imshow("Mosaic Image", mosaic_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 请注意，这只是一个示例代码，您可能需要根据YOLOv5的具体实现进行适当的修改。此外，您还可以参考引用和引用[2]中提供的链接，以获取更多关于YOLOv5Mosaic数据增强的信息。
评论 96
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

迪菲赫尔曼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值