用Python和OpenCV為對(duì)象檢測(cè)任務(wù)實(shí)現(xiàn)最流行、最高效的數(shù)據(jù)擴(kuò)充
數(shù)據(jù)擴(kuò)充是一種增加數(shù)據(jù)集多樣性的技術(shù),無需收集更多真實(shí)數(shù)據(jù),但仍有助于提高模型精度并防止模型過擬合。
在本文中,你將學(xué)習(xí)使用Python和OpenCV為對(duì)象檢測(cè)任務(wù)實(shí)現(xiàn)最流行、最高效的數(shù)據(jù)擴(kuò)充過程。
即將引入的一組數(shù)據(jù)擴(kuò)充方法包括:
1.隨機(jī)裁剪
2.Cutout
3.顏色抖動(dòng)
4.增加噪音
5.過濾
首先,在繼續(xù)之前,讓我們導(dǎo)入幾個(gè)庫并準(zhǔn)備一些必要的子例程。
import os
import cv2
import numpy as np
import random
def file_lines_to_list(path):
'''
### 在TXT文件里的行轉(zhuǎn)換為列表 ###
path: 文件路徑
'''
with open(path) as f:
content = f.readlines()
content = [(x.strip()).split() for x in content]
return content
def get_file_name(path):
'''
### 獲取Filepath的文件名 ###
path: 文件路徑
'''
basename = os.path.basename(path)
onlyname = os.path.splitext(basename)[0]
return onlyname
def write_anno_to_txt(boxes, filepath):
'''
### 給TXT文件寫注釋 ###
boxes: format [[obj x1 y1 x2 y2],...]
filepath: 文件路徑
'''
txt_file = open(filepath, "w")
for box in boxes:
print(box[0], int(box[1]), int(box[2]), int(box[3]), int(box[4]), file=txt_file)
txt_file.close()
下面的圖片是在這篇文章中使用的示例圖片。
隨機(jī)裁剪隨機(jī)裁剪隨機(jī)選擇一個(gè)區(qū)域并進(jìn)行裁剪以生成新的數(shù)據(jù)樣本,裁剪后的區(qū)域應(yīng)具有與原始圖像相同的寬高比,以保持對(duì)象的形狀。
從上圖中,左側(cè)圖像表示具有邊界框(紅色)的原始圖像,通過裁剪橙色框內(nèi)的區(qū)域創(chuàng)建一個(gè)新樣本作為右側(cè)圖像。在新示例的注釋中,將刪除與左側(cè)圖像中的橙色框不重疊的所有對(duì)象,并細(xì)化位于橙色框邊界上的對(duì)象的坐標(biāo),使其適合新圖像示例。原始圖像的隨機(jī)裁剪輸出為新裁剪圖像及其注釋。
Cutout
Terrance DeVries和Graham W.Taylor在2017年的論文中介紹了Cutout,它是一種簡(jiǎn)單的正則化技術(shù),用于在訓(xùn)練過程中隨機(jī)屏蔽輸入的方塊區(qū)域,可用于提高卷積神經(jīng)網(wǎng)絡(luò)的魯棒性和整體性能。
這種方法不僅非常容易實(shí)現(xiàn),而且還表明它可以與現(xiàn)有形式的數(shù)據(jù)擴(kuò)充和其他正則化工具結(jié)合使用,以進(jìn)一步提高模型性能。
如本文所述,剪切用于提高圖像識(shí)別(分類)的準(zhǔn)確性,因此,如果我們將相同的方案部署到對(duì)象檢測(cè)數(shù)據(jù)集中,可能會(huì)導(dǎo)致丟失對(duì)象的問題,尤其是小對(duì)象。
在下圖中,cutout區(qū)域(黑色區(qū)域)內(nèi)的大量小對(duì)象被移除,這不符合數(shù)據(jù)擴(kuò)充的精神。
為了使這種方式適用于對(duì)象檢測(cè),我們可以進(jìn)行簡(jiǎn)單的修改,而不是僅使用一個(gè)蒙版并將其放置在圖像中的隨機(jī)位置。當(dāng)我們隨機(jī)選擇一半數(shù)量的對(duì)象并將剪切應(yīng)用于這些對(duì)象區(qū)域時(shí),效果會(huì)更好。增強(qiáng)圖像如下圖中的右圖所示。
剪切輸出是新生成的圖像,我們不移除對(duì)象或更改圖像大小,則生成圖像的注釋與原始圖像相同。
def cutout(img, gt_boxes, amount=0.5):
'''
### Cutout ###
img: 圖像
gt_boxes: format [[obj x1 y1 x2 y2],...]
amount: 蒙版數(shù)量/對(duì)象數(shù)量
'''
out = img.copy()
ran_select = random.sample(gt_boxes, round(amount*len(gt_boxes)))
for box in ran_select:
x1 = int(box[1])
y1 = int(box[2])
x2 = int(box[3])
y2 = int(box[4])
mask_w = int((x2 - x1)*0.5)
mask_h(yuǎn) = int((y2 - y1)*0.5)
mask_x1 = random.randint(x1, x2 - mask_w)
mask_y1 = random.randint(y1, y2 - mask_h(yuǎn))
mask_x2 = mask_x1 + mask_w
mask_y2 = mask_y1 + mask_h(yuǎn)
cv2.rectangle(out, (mask_x1, mask_y1), (mask_x2, mask_y2), (0, 0, 0), thickness=-1)
return out
顏色抖動(dòng)
ColorJitter是另一種簡(jiǎn)單的圖像數(shù)據(jù)增強(qiáng),我們可以隨機(jī)改變圖像的亮度、對(duì)比度和飽和度。我相信這個(gè)技術(shù)很容易被大多數(shù)讀者理解。
增加噪聲在一般意義上,噪聲被認(rèn)為是圖像中的一個(gè)意外因素,然而,幾種類型的噪聲(例如高斯噪聲、椒鹽噪聲)可用于數(shù)據(jù)增強(qiáng),在深度學(xué)習(xí)中添加噪聲是一種非常簡(jiǎn)單和有益的數(shù)據(jù)增強(qiáng)方法。在下面的示例中,為了增強(qiáng)數(shù)據(jù),將高斯噪聲和椒鹽噪聲添加到原始圖像中。
對(duì)于那些無法識(shí)別高斯噪聲和椒鹽噪聲之間差異的人,高斯噪聲的值范圍為0到255,具體取決于配置,因此,在RGB圖像中,高斯噪聲像素可以是任何顏色。相比之下,椒鹽噪波像素只能有兩個(gè)值0或255,分別對(duì)應(yīng)于黑色(PEPER)或白色(salt)。
濾波本文介紹的最后一個(gè)數(shù)據(jù)擴(kuò)充過程是濾波。與添加噪聲類似,濾波也簡(jiǎn)單且易于實(shí)現(xiàn)。實(shí)現(xiàn)中使用的三種類型的濾波包括模糊(平均)、高斯和中值。
總結(jié)
在這篇文章中,向大家介紹了一個(gè)關(guān)于為對(duì)象檢測(cè)任務(wù)實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)的教程。你們可以在這里找到完整實(shí)現(xiàn)。
發(fā)表評(píng)論
請(qǐng)輸入評(píng)論內(nèi)容...
請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字
最新活動(dòng)更多
-
10月31日立即下載>> 【限時(shí)免費(fèi)下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報(bào)名>>> 【在線會(huì)議】多物理場(chǎng)仿真助跑新能源汽車
-
11月28日立即報(bào)名>>> 2024工程師系列—工業(yè)電子技術(shù)在線會(huì)議
-
12月19日立即報(bào)名>> 【線下會(huì)議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會(huì)
-
即日-12.26火熱報(bào)名中>> OFweek2024中國(guó)智造CIO在線峰會(huì)
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍(lán)皮書》
推薦專題
- 1 【一周車話】沒有方向盤和踏板的車,你敢坐嗎?
- 2 特斯拉發(fā)布無人駕駛車,還未迎來“Chatgpt時(shí)刻”
- 3 特斯拉股價(jià)大跌15%:Robotaxi離落地還差一個(gè)蘿卜快跑
- 4 馬斯克給的“驚喜”夠嗎?
- 5 大模型“新星”開啟變現(xiàn)競(jìng)速
- 6 海信給AI電視打樣,12大AI智能體全面升級(jí)大屏體驗(yàn)
- 7 打完“價(jià)格戰(zhàn)”,大模型還要比什么?
- 8 馬斯克致敬“國(guó)產(chǎn)蘿卜”?
- 9 神經(jīng)網(wǎng)絡(luò),誰是盈利最強(qiáng)企業(yè)?
- 10 比蘋果偉大100倍!真正改寫人類歷史的智能產(chǎn)品降臨
- 高級(jí)軟件工程師 廣東省/深圳市
- 自動(dòng)化高級(jí)工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級(jí)銷售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市