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(wú)需收集更多的真實(shí)數(shù)據(jù)，但仍然有助于提高模型的準(zhǔn)確性和防止模型過(guò)度擬合。在這篇文章中，你將學(xué)習(xí)使用Python和OpenCV實(shí)現(xiàn)最流行和最有效的對(duì)象檢測(cè)任務(wù)的數(shù)據(jù)擴(kuò)充過(guò)程。

介紹的數(shù)據(jù)擴(kuò)充方法包括：隨機(jī)剪裁CutoutColorJitter添加噪聲過(guò)濾首先，讓我們導(dǎo)入幾個(gè)庫(kù)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）：
   ＇＇＇
   ＃＃＃ Convert Lines in TXT File to List ＃＃＃
   path： path to file
   ＇＇＇
   with open（path） as f：
       content ＝ f．readlines（）
   content ＝ ［（x．strip（））．split（） for x in content］
   return content
def get＿file＿name（path）：
   ＇＇＇
   ＃＃＃ Get Filename of Filepath ＃＃＃
   path： path to file
   ＇＇＇
   basename ＝ os．path．basename（path）
   onlyname ＝ os．path．splitext（basename）［0］
   return onlyname
def write＿anno＿to＿txt（boxes， filepath）：
   ＇＇＇
   ＃＃＃ Write Annotation to TXT File ＃＃＃
   boxes： format ［［obj x1 y1 x2 y2］，．．．］
   filepath： path／to／file．txt
   ＇＇＇
   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（）

下圖在本文中用作示例圖像。

隨機(jī)剪裁隨機(jī)剪裁：隨機(jī)選擇一個(gè)區(qū)域并將其裁剪出來(lái)，形成一個(gè)新的數(shù)據(jù)樣本，被裁剪的區(qū)域應(yīng)與原始圖像具有相同的寬高比，以保持對(duì)象的形狀。

在上圖中，左邊的圖像是帶有真實(shí)邊界框的原始圖像（紅色部分），右邊的圖像是通過(guò)裁剪橙色框中的區(qū)域創(chuàng)建的新樣本。在新樣本的標(biāo)注中，去除所有與左側(cè)圖像中橙色框不重疊的對(duì)象，并將橙色框邊界上的對(duì)象的坐標(biāo)進(jìn)行細(xì)化，使之與新樣本相匹配。對(duì)原始圖像進(jìn)行隨機(jī)裁剪的輸出是新的裁剪后的圖像及其注釋。def randomcrop（img， gt＿boxes， scale＝0．5）：
   ＇＇＇
   ＃＃＃ Random Crop ＃＃＃
   img： image
   gt＿boxes： format ［［obj x1 y1 x2 y2］，．．．］
   scale： percentage of cropped area
   ＇＇＇
   
   ＃ Crop image
   height， width ＝ int（img．shape［0］＊scale）， int（img．shape［1］＊scale）
   x ＝ random．randint（0， img．shape［1］ － int（width））
   y ＝ random．randint（0， img．shape［0］ － int（height））
   cropped ＝ img［y：y＋height， x：x＋width］
   resized ＝ cv2．resize（cropped， （img．shape［1］， img．shape［0］））