YOLOv5系列(二十) 解析数据增强部分augmentations(详尽)

已于 2025-04-24 17:04:41 修改
阅读量1.9k 收藏 30
点赞数 25
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： YOLO 人工智能 目标检测 深度学习
于 2023-11-29 12:12:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44302770/article/details/134686781
版权

前言

源码解读： utils/augmentations.py

1. random_perspective

这个函数是对mosaic整合后的图片进行随机旋转、缩放、平移、裁剪，透视变换，

并resize为输入大小img_size。

仿射变换包含：平移、旋转、放缩、剪切、反射

仿射变换包括如下所有变换，以及这些变换任意次序次数的组合：

img

平移（translation）和 旋转（rotation）顾名思义，两者的组合称之为欧式变换（Euclidean transfor

了解本专栏 订阅专栏 解锁全文
【YOLO】YOLO系列数据增强方法综述
浩瀚之水的专栏
04-23 383
YOLO系列通过不断优化数据增强策略，在速度与精度之间取得平衡。开发者应根据任务需求灵活选择增强组合，重点关注小目标增强与遮挡鲁棒性设计，以实现工业级检测性能。
YOLOv5系列(二十三) 解析数据集处理部分dataloaders(详尽)
专注于人工智能学习，总结
11-29 1244
源码解读：当image_weights=False时（不根据图片样本真实框分布权重来选择图片）就会调用这两个函数 进行自定义DataLoader，进行持续性采样。在上面的create_dataloade函数中被调用。当image_weights=False时就会使用InfiniteDataLoader和_RepeatSampler这两个类实现自定义DataLoader。
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
【YOLO v4 相关理论】Data augmentation: MixUp、Random Erasing、CutOut、CutMix、Mosic
qq_38253797的博客
05-12 2593
一、MixUp 来源： https://arxiv.org/pdf/1710.09412.pdf 1.1、背景理论 Mixup是MIT和FAIR在ICLR 2018上发表的文章中提到的一种数据增强算法。在介绍mixup之前，我们首先简单了解两个概念：经验风险最小化（Empirical risk minimization，ERM）和邻域风险最小化（Vicinal Risk Minimization，VRM）。 经验风险最小化（ERM）：“经验风险最小化”是目前大多数网络优化都遵循的一个原则，即使用已知的经
yolov5使用cutout数据增强
追梦小狂魔的博客
03-16 474
修改utils/dataloaders.py。
yolov系列总结-yolov5-head-数据增强
qq_37602161的博客
03-24 1248
yolov5 的 detect 层 与 anchor 机制 yolov5深度剖析+源码debug级讲解系列（三）yolov5 head源码解析 yolo全家桶；yolo系列专题讲解,通俗易懂的yolo v1, v2 ,v3 ,v4 ,v5 , yolox YOLOV5 的小目标检测网络结构优化方法汇总(附代码) ...
YOLOV5 6.x 使用cutout数据增强
weixin_46707493的博客
01-12 637
yolov5
小目标数据增强
11-30 3875
环境ubuntu 18.04 64位YOLO数据集简介近年来，目标检测已经取得了长足的进步，不过，尽管如此，小目标与大目标之间，依然有着非常大的差距。论文 Augmentation for...
YOLOV5代码精读之数据增强（augmentations.py）
浩瀚之水的专栏
09-28 2525
YOLOV5中的Mosaic增强是一种有效的数据增强技术，它通过拼接四张图像来丰富数据集、提升训练速度和降低内存需求，同时增强模型对小目标的检测能力。在目标检测任务中，Mosaic增强被广泛应用于提高模型的性能和泛化能力。这段代码的主要功能是对输入图像进行一系列的随机变换，包括仿射变换和透视变换，同时根据变换更新目标框的坐标。这些数据增强方法可以有效提高模型的泛化能力，特别是在计算机视觉任务中，能够增强数据集的多样性，帮助模型更好地适应不同的输入场景。深度学习数据增强方法，透视变换原理以及实例代码详解。
YOLOv5系列(十二) 本文(1.5万字) | 解析数据增强部分augmentations | 逐行代码注释解析
专注于人工智能学习，总结
12-27 1160
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程源码解读： utils/augmentations.py这个函数是对mosaic整合后的图片进行随机旋转、缩放、平移、裁剪，透视变换，并resize为输入大小img_size。仿射变换包括如下所有变换，以及这些变换任意次序次数的组合：（translation）和 （rotation）顾名思义，两者的组合称之为欧式变换（Eu
YOLOv5系列(四) 解析推理部分detect(详尽)
专注于人工智能学习，总结
11-28 637
detect.py，通常这个文件是用来预测一张图片或者一个视频的，也可以预测一个图片文件夹或者是一些网络流。下载后直接运行默认是对date/images文件夹下的两张照片进行检测识别。目录前言一、导包和基本配置1.1 导入安装好的python库等1.2 定义一些文件路径1.3 加载自定义模块二、执行main函数三、设置opt参数四、执行run函数4.1 载入参数4.2 初始化配置4.3 保存结果4.4 加载模型4.5 加载数据4.6 推理部分4.6.1 热身部分4.6.2 对每张图片/视频进行前向推理。
如何从数据准备到利用Yolov5模型训练和评估——基于街景影像的路面病害检测数据集 8000张街景影像，标注了超过20,000个路面病害，并且使用YOLO格式进行标注 数据准备到模型训练和评估
2401_88441190的博客
11-29 369
如何从数据准备到利用Yolov5模型训练和评估——基于街景影像的路面病害检测数据集 8000张街景影像，标注了超过20,000个路面病害，并且使用YOLO格式进行标注 数据准备到模型训练和评估
YOLO 目标检测中的优化方法及代码示例
最新发布
m0_68894275的博客
01-12 1020
好的，除了上述提到的数据增强、特征金字塔网络（FPN）、双向特征金字塔网络（Bi-FPN）等方法，还有其他一些优化方法可以应用于 YOLO 目标检测模型。YOLOv8 的 Neck 部分已经集成了特征金字塔网络（FPN），可以通过修改 YOLOv8 的配置文件来进一步优化。CIoU Loss 是另一种改进的 IoU 损失函数，考虑了预测框和真实框的中心点距离和长宽比。GIoU Loss 是一种改进的 IoU 损失函数，可以更好地衡量预测框和真实框之间的匹配度。# 计算预测框和真实框的 IoU。
YOLOv5-6.x源码分析（七）---- 数据增强之augmentations.py
JehanRio's Private Blog
04-27 3174
今天上午刚回南山本校办了点事情，来回一趟就花了整整一上午，太累了，回到实验室就戴上眼罩睡了十几分钟。刚刚上辅导员的职规课，她讲的一些东西，我也不知道算不算有用吧，无非就是一些企业走访，我感觉没多少用处，下面的同学也没几个听的。包括上周学院带我们班去参观公司也是，我觉得真是纯粹浪费时间，每次一去就是介绍公司文化，感觉学生去就是凑数的。
YOLOv5输入端（一）—— Mosaic数据增强|CSDN创作打卡
tt丫的博客
02-10 1万+
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 目录 一、原理分析 二、代码分析 1、主体部分——load_mosaic 2、load_image函数 3、random_perspective()函数（详见代码解析） 一、原理分析 YOLOv5采用和YOLOv4一样的Mosaic数据增强。 主要原理：它将一张选定的图片和随机的3张图片进行随机裁剪，再拼接到一张图上作为训练数据。 这样可以丰富图片的背景，而且四张图片拼接在一起变相提
YOLOV-3 源码详解
zyw2002的博客
02-28 2372
下载地址：PyTorch-YOLOv3源码下载地址 预训练权重coco 数据集： http://images.cocodataset.org/zips/val2014.zip http://images.cocodataset.org/zips/train2014.zip参考资料： yolov3源码解析 https://blog.csdn.net/qq_24739717/article/details/92399359 create_custom_model.sh  脚本文件：用户自定义自己的模型，运行此
【yolov5 6.0 源码解析】---utils /augmentations.py
zqwwwm的博客
12-22 5616
yolov5 数据增强代码 主要有以下几种方式： class Albumentations # 数据增强package,比pytorch 自带的transform 更丰富 def augment_hsv(im, hgain=0.5, sgain=0.5, vgain=0.5) # 图像增强方式，hgain 是色调，不同色调不同颜色，sgain是饱和度， vgain是亮度 def hist_equalize(im, clahe=True, bgr=False):# 采用自适应直方图均衡化做图像增强 def r
超详解| Yolov8模型手把手调参 | 配置 | 模型训练 | 验证 | 推理
热门推荐
穿着帆布鞋也能走猫步
09-06 8万+
Yolov8参数详细解析
数据增强之Mosaic数据增强的优点、Mixup,Cutout,CutMix的区别
jq_98的博客
03-01 1万+
一、Mosaic data augmentation Mosaic数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。 这样做有以下几个优点： 1、增加了数据的多样性，丰富了图片的背景。 2、增加了目标个数 3、四张图片拼接在一起变相地提高了batch_size，在进行BN操作时的时候可以更好的统计均值和方差 二、Mixup,Cutout,CutMix的区别 Mixup: 将随机的两张样本按比例混合，分类的结果按比例分配； Cutout: 随机的将样本
utils.augmentations
09-24
`utils.augmentations`通常是在计算机视觉（CV）或深度学习项目中用于数据增强（Data Augmentation）的模块。数据增强是一种常用的技术，通过对原始图像应用一系列随机的变换，如翻转、裁剪、旋转、缩放等，增加训练数据集的多样性，从而帮助模型更好地泛化到未见过的数据。 这个模块通常包含各种预定义的图像增强函数，比如`RandomHorizontalFlip()`做水平翻转，`RandomRotation()`做随机旋转，`RandomCrop()`做随机裁剪等。在实际使用时，开发者可以根据需要从这个模块导入并配置这些变换，以在训练时动态地生成新的训练样本。 例如，在PyTorch的`torchvision.transforms`库中，你可能会看到类似这样的代码： ```python from torchvision import transforms transform = transforms.Compose([ transforms.RandomResizedCrop(size), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean, std) ]) ``` 这里`utils.augmentations`可能是自定义或第三方库中的名称，具体功能取决于项目的实现。
评论
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

小酒馆燃着灯

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