计算机视觉模型训练利器，对原始数据进行数据增强，只需要标注原始数据，标签可以随着图像增强一起变化．防止深度学习模型过拟合的最有效的方法

使用要求; 1、拥有python环境，建议使用anaconda 2、数据增强方式有以下7种，可设置随机选几种来增强 # 1. 裁剪(需改变bbox) # 2. 平移(需改变bbox) # 3. 改变亮度 # 4. 加噪声 # 5. 旋转角度(需要改变bbox) # 6. 镜像(需要改变bbox) # 7. cutout 3、会根据原始xml文件及增强方式自动生成标注好的xml标签文件及增强后图像

1裁剪(需改变bbox)2. 平移(需改变bbox)3. 改变亮度4. 加噪声5. 旋转角度(需要改变bbox)6. 镜像(需要改变bbox)7. cutout 需要增强多少以及运用什么增强可以自己设置。重点看387行到422行，自己修改需要的东西。513行以下设置自己的路径。

python代码实现目标检测数据增强 目标检测数据增强 疫情期间在家也要科研，碰上了数据增强，找了很多代码，但是还是没跑通，最后选择了这种处理方式来完成数据增强处理。同时特别感谢csdn上给我提供帮助的大佬们，虽然未曾谋面，但是每一步的学习真的感恩~~ ##项目里需要做一个数据增强预处理试验，由于我用的YOLOv3的pytorch框架，博客找了一圈没有找到内置的代码，最后找到了一篇比较好的数据增强的办法，现在记录下来方便以后查看，其实之前总是碰到一些技术性的问题总没有时间去写博客，我觉得这样非常不好，以后碰到类似的又要去调bug，还是养成随手记录博客的习惯，也可以帮助更多需要的童鞋。我参考的数

摘要 目标检测中的数据增强是比较复杂，每一次改变图像同时也要考虑boxes的信息，比起目标分类更加局限性，比如翻转，左右翻转一般影响不大，但上下翻转造成的影响就截然不同。下面操作坐标点全是xyxy形式 resize操作 先来看下对比，在图片大小改变的同时也要改变boxes的位置信息，第一张是原图 我截图是一样大小，可以看出框的位置依旧准确，原图是（480，364）变化后的是（300,300），对比之前的照片清晰度明显下降，所以训练照片差距太多再好的模型也难以起到很好的效果。下面是代码实现 import math import random import torch from PIL imp

用于目标检测的数据增强工具，通过读取voc格式的数据可以对图像和相应的box进行缩放、平移、镜像、旋转、resize和更改颜色空间。通过对扩充方法的随机组合，可以将一个带标注的图像扩充成100幅。资源使用方面有问题请查看https://blog.csdn.net/a486259/article/details/121644786