这个资源包含一个为Yolo目标检测模型特别设计的数据增强Python脚本。脚本采用多种数据增强技术，包括图像缩放（保持比例和下降比例）、随机水平和垂直翻转、中心裁剪，以及图像属性（亮度、对比度、饱和度）调整。此外，它还提供了高斯噪声、盐噪声和椒噪声的添加功能，使模型能够更好地处理现实世界中的图像。这些数据增强技术能够显著提高目标检测模型在多样化环境下的准确性和鲁棒性。 这个脚本非常适合机器学习和计算机视觉研究者，尤其是那些使用Yolo进行目标检测的开发者。通过本脚本，用户可以轻松地对他们的数据集进行增强处理，从而提高模型的泛化能力和性能。无论您是深度学习的新手还是经验丰富的研究者，这个资源都是您的理想选择。

本项目的功能是对YOLO格式的数据实现数据增强，使用本项目代码可以较快的完成扩充数据集快速扩充的工作，会对图像和标注同时处理。但其也存在一定的问题，例如无法保证处理后的数据一定能跑出更好的效果，处理结束后可能会出现一些损坏的图片（原图过大时）。 但本项目处理后出现的坏图，在YOLOv5中会被识别出来并不做训练，其实对训练影响不大，追求完美的同学可以考虑不使用resize系列的函数，手动剔除坏图，使用其他数据增强项目完成工作等。 使用 1. download本项目到本地(建议下载到有图形界面的操作系统中) 2. 打开DataAugOnDetectin.py 修改 image_path， label_path， save_path 三个参数 ``` image_path = "" # 图片的路径 label_path = "" # 标签文件的路径 save_path = "" # 数据增强的结果保存位置路径 ``` 3. 运行，使用pycharm或spyder等软件运行DataAugOnDetectin.py

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

植物病害数据集，精心筛选常见植物，已做数据增强 包含26种常见植物，玉米，番茄，土豆、柑橘等等

图像增强器 这是用于图像文件的简单数据增强工具，旨在与机器学习数据集一起使用。 该工具将扫描包含图像文件的目录，并通过对找到的每个文件执行一组指定的扩充操作来生成新图像。 此过程使开发神经网络时可以使用的训练示例数量成倍增加，并且应显着提高所得网络的性能，尤其是在训练示例数量相对较少的情况下。 从命令行运行实用程序，如下所示： python main.py ... 参数应该是包含要扩充的图像文件的目录的路径。 该实用程序将以递归方式在目录中搜索具有以下任何扩展名的文件： jpg, jpeg, bmp, png 。 transform参数使用下表中列出的代码确定将执行哪种类型的扩充操作： 代码 描述 值示例 fliph 水平翻转 fliph flipv 垂直翻转 flipv no

旋转目标框标注工具 用于yolo、centernet模型的数据集制作与训练 下载配置环境： pip install labelimg pip install pyqt5 运行setup.py

内涵多种增广方法，包括随机裁剪、cutout、镜像翻转、旋转、mosaic等7种方法，对目标检测图像与标签文件同时增广，格式VOC

供应商主数据增强 过事物代码XK01/XK02/XK03/(MK01/MK02/MK03)进入供应商主数据屏幕后，可以看到屏幕上多出了一个按钮：

Support data enhancement when there are few data sets（支持数据集较少的情况进行数据增强，包含随机的多种变化） 这是数据集扩增的一个小工具，在您想使用yolo等目标检测算法时数据集较少的情况下能够进行变化增强图片，丰富您的数据集。 (支持LabelIMg和LabelMe标注的文件) 包括3个python文件 rename_file.py能实现文件的重命名,注意修改文件的路径 DataAugmentforLabelImg.py能实现LabelImg标注后的图片的增强（包括模糊，亮度，裁剪，旋转，平移，镜像等变化） DataAugmentforLabelMe.py能实现LabelMe标注后的图片的增强（包括模糊、亮度、平移、镜像等变化） 注意：一些包的安装是必要的，比如Opencv_python等 ##将您需要增强的图片放在对应的文件夹即可，具体可参考demo给出的图片和xml文件存放路径，您放入即可

深度照明器 Deep Illuminator是设计用于图像重新照明的数据增强工具。 它可用于轻松高效地生成单个图像的多种照明方式。 它已通过多个数据集和模型进行了测试，并已成功改善了性能。 它具有使用创建的内置可视化工具，以预览如何对目标图像进行照明。 增强实例 用法 使用此工具的最简单方法是通过Docker Hub： docker pull kartvel/deep-illuminator 可视化器 有了Deep Illuminator图像后，请运行以下命令以启动可视化器： docker run -it --rm --gpus all \ -p 8501:8501 --entrypoint streamlit \ kartvel/deep-illuminator run streamlit/streamlit_app.py 您将可以在localhost:8501上与它进行交互。