目标检测的数据增强

与 Paperspace 关于为目标检测任务调整数据增强方法的教程系列 配套的代码。

依赖

1. OpenCV 3.x
2. Numpy
3. Matplotlib

我们支持多种数据增强方法，例如：

水平翻转

缩放

平移

旋转

倾斜变换

调整大小

快速入门

快速入门教程可以在本仓库的 quick-start.ipynb 文件中找到。

文档

所有可能的变换列表以及详细的文档可以通过在浏览器中打开 docs/build/html/index.html 查看，或者访问此 链接。

DataAugmentationForObjectDetection 快速上手指南

本指南旨在帮助开发者快速配置并使用该工具，为物体检测任务实现多种数据增强方法（如水平翻转、缩放、平移、旋转、剪切和调整大小）。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：支持 Linux、macOS 或 Windows。
• Python 版本：建议 Python 3.6+。
• 前置依赖：
  • OpenCV 3.x (opencv-python)
  • Numpy
  • Matplotlib

安装步骤

推荐使用 pip 进行安装。为了获得更快的下载速度，国内用户建议使用清华或阿里镜像源。

1. 克隆仓库

   git clone https://github.com/Paperspace/DataAugmentationForObjectDetection.git
   cd DataAugmentationForObjectDetection
   

2. 安装依赖包

   方案 A：使用官方源

   pip install -r requirements.txt
   

   (注：如果根目录没有 requirements.txt 文件，请直接运行下方命令安装核心依赖)

   pip install opencv-python==3.* numpy matplotlib
   

   方案 B：使用国内镜像加速（推荐）

   pip install opencv-python==3.* numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

最简单的方式是运行仓库中提供的 Jupyter Notebook 教程，它将演示如何加载图像和标注文件，并应用各种增强变换。

1. 启动快速入门教程

   确保已安装 Jupyter Notebook，然后在项目目录下运行：

   jupyter notebook quick-start.ipynb
   

2. 代码示例逻辑

   在 Notebook 中，您将看到类似以下的核心用法逻辑（具体变量名请以 notebook 内容为准）：

   • 导入必要的增强类（如 HorizontalFlip, Scale, Rotate 等）。
   • 读取图像及其对应的边界框（Bounding Boxes）坐标。
   • 实例化增强对象并应用于图像和坐标。

   # 伪代码示例，详细请参考 quick-start.ipynb
   from bbox_utils import HorizontalFlip, Scale
   
   # 初始化增强方法
   hf = HorizontalFlip(p=0.5)
   
   # 应用增强 (img: 图像数组, bboxes: 边界框列表)
   img_augmented, bboxes_augmented = hf(img, bboxes)
   

如需查看完整的变换列表和详细 API 文档，可在浏览器中打开 docs/build/html/index.html 或访问 在线文档。