Python深度學習之使用Albumentations對圖像做增強

第Python深度學習之使用Albumentations對圖像做增強forbbox,category_idinzip(bboxes,category_ids):

class_name=category_id_to_name[category_id]

img=visualize_bbox(img,bbox,class_name)

plt.figure(figsize=(12,12))

plt.axis('off')

plt.imshow(img)

三、獲取圖像和標注

在此示例中，我們將使用來自COCO數(shù)據(jù)集的圖像，該圖像具有兩個關聯(lián)的邊界框。該映像位于/#exploreid=386298

從磁盤加載圖像

image=cv2.imread('images/000000386298.jpg')

image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)

用坐標和類標簽定義兩個邊界框

這些邊界框的坐標使用coco格式聲明。每個邊界框使用四個值[x_min,y_min,width,height]進行描述。有關邊界框坐標的不同格式的詳細說明，請參閱有關邊界框的文檔文章-https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/。

bboxes=[[5.66,138.95,147.09,164.88],[366.7,80.84,132.8,181.84]]

category_ids=[17,18]

#Wewillusethemappingfromcategory_idtotheclassname

#tovisualizetheclasslabelfortheboundingboxontheimage

category_id_to_name={17:'cat',18:'dog'}

展示圖像的邊框

visualize(image,bboxes,category_ids,category_id_to_name)

四、使用RandomSizedBBoxSafeCrop保留原始圖像中的所有邊界框

RandomSizedBBoxSafeCropcropsarandompartoftheimage.Itensuresthatthecroppedpartwillcontainallboundingboxesfromtheoriginalimage.Thenthetransformrescalesthecroptoheightandwidthspecifiedbytherespectiveparameters.Theerosion_rateparametercontrolshowmuchareaoftheoriginalboundingboxcouldbelostaftercropping.erosion_rate=0.2meansthattheaugmentedboundingbox'sareacouldbeupto20%smallerthantheareaoftheoriginalboundingbox.

RandomSizedBBoxSafeCrop裁剪圖像的隨機部分。它確保裁剪的部分將包含原始圖像的所有邊界框。然后，變換會將作物重新縮放為相應參數(shù)指定的高度和寬度。erosion_rate參數(shù)控制裁剪后可能丟失原始邊界框的面積。frosting_rate=0.2表示擴充后的邊界框的面積可能比原始邊界框的面積小20％。

五、定義增強管道

transform=A.Compose(

[A.RandomSizedBBoxSafeCrop(width=448,height=336,erosion_rate=0.2)],

bbox_params=A.BboxParams(format='coco',label_fields=['category_ids']),

六、輸入用于增強的圖像和邊框

我們固定隨機種子是為了可視化目的，因此增強將始終產(chǎn)生相同的結(jié)果。在真實的計算機視覺管道中，您不應該在對圖像應用轉(zhuǎn)換之前固定隨機種子，因為在這種情況下，管道將始終輸出相同的圖像。圖像增強的目的是每次使用不同的變換。

random.seed(7)

transformed=transform(image=image,bboxes=bboxes,category_ids=category_ids)

visualize(

transformed['image'],

transformed['bboxes'],

transformed['category_ids'],

category_id_to_name,

七、其他不同隨機種子的示例

random.seed(3)

transformed=transform(image=image,bboxes=bboxes,category_ids=category_ids)

visualize(

transformed['image'],

transformed['bboxes'],

transformed['category_ids'],

category_id_to_name,

random.seed(444)

transformed=transform(image=image,bboxes=bboxes,category_