深度学习数据增强（Data Augmentation）--VOC数据集

前言

最近在做钢筋检测的比赛，因为比赛提供的数据只有200多张，而要使用神经网络模型来完成这个任务的话，这样的数据集就显得非常不足了，因而当我们要训练一个神经网络模型时，数据增强就变成了一种非常有必要的手段了，数据增强一般非为两种方式：一类是离线增强，一类是在线增强。

• 离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目 ，这种方法常常用于数据集很小的时候
• 在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch
  的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用
  GPU 优化计算。

本篇博客我也将具体讲一下这两种方式的具体使用。本次主要做的是VOC2007数据格式的数据增强，使用的数据库主要是imaug，imgaug是一个用于机器学习实验中图像增强的python库，支持python2.7和3.4以上的版本。 它支持多种增强技术，允许轻松组合这些技术，具有简单但功能强大的随机界面，可以在这些界面上增加图像和关键点/界标，并在后台进程中提供增强功能以提高性能。

1.离线增强

代码地址：https://github.com/xinyu-ch/Data-Augment

读取xml原始坐标

def read_xml_annotation(root, image_id):

	in_file = open(os.path.join(root, image_id))
	tree = ET.parse(in_file)
	root = tree.getroot()
	bndboxlist = []
	
	for object in root.findall('object'):  # 找到root节点下的所有country节点
	    bndbox = object.find('bndbox')  # 子节点下节点rank的值
	
	    xmin = int(bndbox.find('xmin').text)
	    xmax = int(bndbox.find('xmax').text)
	    ymin = int(bndbox.find('ymin').text)
	    ymax = int(bndbox.find('ymax').text)
	    # print(xmin,ymin,xmax,ymax)
	    bndboxlist.append([xmin, ymin, xmax, ymax])
	    # print(bndboxlist)
	
	bndbox = root.find('object').find('bndbox')
return b