来源：https://blog.csdn.net/weixin_51322383/article/details/130409656
今天上午刚回南山本校办了点事情，来回一趟就花了整整一上午，太累了，回到实验室就戴上眼罩睡了十几分钟。刚刚上辅导员的职规课，她讲的一些东西，我也不知道算不算有用吧，无非就是一些企业走访，我感觉没多少用处，下面的同学也没几个听的。包括上周学院带我们班去参观公司也是，我觉得真是纯粹浪费时间，每次一去就是介绍公司文化，感觉学生去就是凑数的。反观，我感觉现在大学里面有用的课真的太少了，就拿求职这方面来说，大学里面根本没有教你如何签合同，而这些才是我们大学生最该上的也最该学的一些技能，这么重要的东西居然仅仅想通过一节课就给我们讲清楚；包括我们如果遇到一些劳务纠纷如何解决，这些都没有。反倒从大一开始的思政课，就有3~4学分，而大一一门C语言专业课才只有3分。今天跟同学谈到，大学教会我们的唯一东西就是告诉我们什么东西都得要自学，学校里根本教不了什么东西。这或许也是我选择要升学的目的，一方面是如今行情太差了， 另一方面我也想通过自己多花点时间多学点知识，并且先多接触下社会，以免到时候一进入社会就被现实敲得粉碎。
说回主题，今天准备剖析的是数据增强部分。
我们知道，要完成很多实际的项目，我们都要充足的数据来完成任务，这样才能适应多场景的任务。但是我们的目标应用可能存在于不同的条件，比如在不同的方向、位置、缩放比例、亮度等。而单靠自己寻找数据远远不够，这个时候就需要数据增强。其实就是将数据，通过额外合成的数据来训练神经网络来解释这些情况。
什么是数据增强呢？数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。数据增强有很多种方法，YOLOv5中就有十几种，下面我会介绍用得比较多的，let’s get it~
总的来说，YOLOv5-6.1涉及到的数据增强方法主要有以下几种：
- 对原图做数据增强
- 像素级：HSV增强、旋转、缩放、平移、剪切、透视、翻转等
- 图片级：MixUp、Cutout、CutMix、Mosaic、Copy-Paste(Segment)等
- 对标签做同样的增强
- 变换后的坐标偏移量
- 防止标签坐标越界
import math
import random
import cv2
import numpy as np
import torch
import torchvision.transforms as T # 图像预处理工具包
import torchvision.transforms.functional as TF # 图像变换的函数库
from utils.general import LOGGER, check_version, colorstr, resample_segments, segment2box, xywhn2xyxy # 常用工具函数
from utils.metrics import bbox_ioa # 计算IoU与box2面积的比值
IMAGENET_MEAN = 0.485, 0.456, 0.406 # RGB mean RGB均值
IMAGENET_STD = 0.229, 0.224, 0.225 # RGB standard deviation RGB标准偏差
class Albumentations:
# YOLOv5 Albumentations class (optional, only used if package is installed)
def __init__(self, size=640):
self.transform = None
prefix = colorstr('albumentations: ')
try:
import albumentations as A
check_version(A.__version__, '1.0.3', hard=True) # version requirement
T = [
A.RandomResizedCrop(height=size, width=size, scale=(0.8, 1.0), ratio=(0.9, 1.11), p=0.0),
A.Blur(p=0.01),
A.MedianBlur(p=0.01),
A.ToGray(p=0.01),
A.CLAHE(p=0.01),
A.RandomBrightnessContrast(p=0.0),
A.RandomGamma(p=0.0),
A.ImageCompression(quality_lower=75, p=0.0)] # transforms
# A.Compose 用于图像增强和数据增强
# https://blog.csdn.net/u014264373/article/details/114144303 最快最好用的数据增强库「albumentations」 一文看懂用法
# bbox_params参数定义了格式 format; label_fileds:表示自定义的类标签变量的名字，是一个列表，可以放置多个参数名称，表示多标签。
self.transform = A.Compose(T, bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))
LOGGER.info(prefix + ', '.join(f'{x}'.replace('always_apply=False, ', '') for x in T if x.p))
# 如果没有安装会跳过
except ImportError: # package not installed, skip
pass
except Exception as e:
LOGGER.info(f'{prefix}{e}')
# 相当于C++的仿函数，可以像函数一样调用该类，接收参数并返回值
def __call__(self, im, labels, p=1.0):
if self.transform and random.random() < p:
# 传入图片，获取到数据增强后的图片
new = self.transform(image=im, bboxes=labels[:, 1:], class_labels=labels[:, 0]) # transformed
im, labels = new['image'], np.array([[c, *b] for c, b in zip(new['class_labels'], new['bboxes'])])
return im, labels
这个类只会在你安装了albumentations这个库的时候使用，如果没有安装的话，也不会报错,不过都用torchvision.transforms里面的内容，I guess
这个类主要是重新定义了一下YOLO格式的数据增强，加入了format为yolo格式。并且还定义了__call__方法，这个相当于C++的仿函数，可以像函数一样调用该类，实际上就是返回图片和标签，不过没做什么数据增强。重点是A.Compose，实际上内部还是调用albumentations这个类的。
具体使用方法可看：最快最好用的数据增强库「albumentations」 一文看懂用法
# 归一化
def normalize(x, mean=IMAGENET_MEAN, std=IMAGENET_STD, inplace=False):
# Denormalize RGB images x per ImageNet stats in BCHW format, i.e. = (x - mean) / std
return TF.normalize(x, mean, std, inplace=inplace)
# 反规范化
def denormalize(x, mean=IMAGENET_MEAN, std=IMAGENET_STD):
# Denormalize RGB images x per ImageNet stats in BCHW format, i.e. = x * std + mean
for i in range(3):
x[:, i] = x[:, i] * std[i] + mean[i]
return x
归一化就是直接调用TF的函数，输入参数mean均值和std方差，inplace:是否就地计算 (相当于x += b和y = x+b,x=y的区别) 默认为False
反规范化就是值乘以方差再加上均值
def augment_hsv(im, hgain=0.5, sgain=0.5, vgain=0.5): # 做h-色调， s-饱和度， v-亮度上面的随机增强
# HSV color-space augmentation
if hgain or sgain or vgain: # random gains 生成3个[-1, 1)之间的随机数，分别与hsv相乘后+1 [0,2]之间
r = np.random.uniform(-1, 1, 3) * [hgain, sgain, vgain] + 1 # random gains
hue, sat, val = cv2.split(cv2.cvtColor(im, cv2.COLOR_BGR2HSV))
dtype = im.dtype # uint8
x = np.arange(0, 256, dtype=r.dtype) # [0,1,...,255]
lut_hue = ((x * r[0]) % 180).astype(dtype) # 0~180
lut_sat = np.clip(x * r[1], 0, 255).astype(dtype) # 将数组截断至[0, 255]
lut_val = np.clip(x * r[2], 0, 255).astype(dtype)
im_hsv = cv2.merge((cv2.LUT(hue, lut_hue), cv2.LUT(sat, lut_sat), cv2.LUT(val, lut_val)))
# cv2.LUT lookup-table 查找表方式，即通过lut_hue 这个表对之前hue数值做修正，返回0-255对应位置的lut_hue值 具体： https://blog.csdn.net/Dontla/article/details/103963085
# cv2.merge 合并三个通道
cv2.cvtColor(im_hsv, cv2.COLOR_HSV2BGR, dst=im) # no return needed
做一个随机的色调、饱和度、亮度亮度增强
def hist_equalize(im, clahe=True, bgr=False): # 直方图均衡化增强 参考 https://www.cnblogs.com/my-love-is-python/p/10405811.html
# Equalize histogram on BGR image 'im' with im.shape(n,m,3) and range 0-255
yuv = cv2.cvtColor(im, cv2.COLOR_BGR2YUV if bgr else cv2.COLOR_RGB2YUV) # bgr -> YUV
if clahe:
c = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# cv2.createCLAHE 实例化自适应直方图均衡化函数 局部直方图均衡化 ，不会使得细节消失
# c.apply 进行自适应直方图均衡化
yuv[:, :, 0] = c.apply(yuv[:, :, 0])
else:
# cv2.equalizeHist 进行像素点的均衡化 ，即全局均衡化 ，使得整体亮度提升，但是局部会模糊
yuv[:, :, 0] = cv2.equalizeHist(yuv[:, :, 0]) # equalize Y channel histogram
return cv2.cvtColor(yuv, cv2.COLOR_YUV2BGR if bgr else cv2.COLOR_YUV2RGB) # convert YUV image to RGB
先判断clahe是否为true，如果是就先将图片转化为YUV格式，然后采用cv.createCLAHE,这个方法是实例化自适应直方图均衡化函数 局部直方图均衡化 ，不会使得细节消失，然后再用c.apply进行自适应直方图均衡化。
具体可看直方图均衡化
def replicate(im, labels): # 复制，实际上指的是框的平移
# Replicate labels
h, w = im.shape[:2] # 获取图像长宽
boxes = labels[:, 1:].astype(int) # 获取框的位置和大小
x1, y1, x2, y2 = boxes.T # 框的左右和上下位置
s = ((x2 - x1) + (y2 - y1)) / 2 # side length (pixels)
for i in s.argsort()[:round(s.size * 0.5)]: # smallest indices
x1b, y1b, x2b, y2b = boxes[i]
bh, bw = y2b - y1b, x2b - x1b
yc, xc = int(random.uniform(0, h - bh)), int(random.uniform(0, w - bw)) # offset x, y
x1a, y1a, x2a, y2a = [xc, yc, xc + bw, yc + bh]
im[y1a:y2a, x1a:x2a] = im[y1b:y2b, x1b:x2b] # im4[ymin:ymax, xmin:xmax]
labels = np.append(labels, [[labels[i, 0], x1a, y1a, x2a, y2a]], axis=0)
return im, labels
def letterbox(im, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
# Resize and pad image while meeting stride-multiple constraints
shape = im.shape[:2] # current shape [height, width]
if isinstance(new_shape, int): # 如果是1个数字，默认长宽相等
new_shape = (new_shape, new_shape)
# Scale ratio (new / old) 计算收缩比，选择较小的
r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
if not scaleup: # only scale down, do not scale up (for better val mAP)
r = min(r, 1.0)
# Compute padding
ratio = r, r # width, height ratios
# 计算收缩后图片的长宽
new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
# 计算需要填充的边的像素
dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding
if auto: # minimum rectangle
dw, dh = np.mod(dw, stride), np.mod(dh, stride) # wh padding
elif scaleFill: # stretch
dw, dh = 0.0, 0.0
new_unpad = (new_shape[1], new_shape[0])
ratio = new_shape[1] / shape[1], new_shape[0] / shape[0] # width, height ratios
# 除以2即最终每边填充的像素
dw /= 2 # divide padding into 2 sides
dh /= 2
if shape[::-1] != new_unpad: # resize
# 先将图片按比例缩放到指定大小
im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) # 上下位置
left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) # 左右位置
# cv2.copyMakeBorder 对im设置边界框
im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border
return im, ratio, (dw, dh)
这个函数挺重要的。
letterbox的主要思想是尽可能的利用网络感受野的信息特征。比如在YOLOv5中最后一层的Stride=5，即最后一层的特征图中每个点，可以对应原图中32X32的区域信息，那么只要在保证整体图片变换比例一致的情况下，长宽均可以被32整除，那么就可以有效的利用感受野的信息。
假设图片原来尺寸为（1080， 1920），我们想要resize的尺寸为（640，640）。要想满足收缩的要求，应该选取收缩比例640/1920 = 0.33.则图片被缩放为（360，640）.下一步则要填充灰白边至360可以被32整除，则应该填充至384，最终得到图片尺寸（384，640）
def random_perspective(im, # mosaic整合后的图片img4 [2*img_size, 2*img_size]
targets=(), # mosaic整合后图片的所有正常label标签labels4(不正常的会通过segments2boxes将多边形标签转化为正常标签) [N, cls+xyxy]
segments=(), # mosaic整合后图片的所有不正常label信息(包含segments多边形也包含正常gt) [m, x1y1....]
degrees=10, # 旋转和缩放矩阵参数
translate=.1, # 平移矩阵参数
scale=.1, # 缩放矩阵参数
shear=10, # 剪切矩阵参数
perspective=0.0, # 透视变换参数
border=(0, 0)): # 用于确定最后输出的图片大小 一般等于[-img_size, -img_size] 那么最后输出的图片大小为 [img_size, img_size]
# torchvision.transforms.RandomAffine(degrees=(-10, 10), translate=(0.1, 0.1), scale=(0.9, 1.1), shear=(-10, 10))
# targets = [cls, xyxy]
height = im.shape[0] + border[0] * 2 # shape(h,w,c)
width = im.shape[1] + border[1] * 2
# Center 计算中心点
C = np.eye(3) # 生成3*3的对角为1的对角矩阵
C[0, 2] = -im.shape[1] / 2 # x translation (pixels)
C[1, 2] = -im.shape[0] / 2 # y translation (pixels)
# Perspective
# 透视
P = np.eye(3)
P[2, 0] = random.uniform(-perspective, perspective) # x perspective (about y)
P[2, 1] = random.uniform(-perspective, perspective) # y perspective (about x)
# Rotation and Scale
# 旋转和缩放
R = np.eye(3)
a = random.uniform(-degrees, degrees)
# a += random.choice([-180, -90, 0, 90]) # add 90deg rotations to small rotations
s = random.uniform(1 - scale, 1 + scale) #随机生成缩放比例
# s = 2 ** random.uniform(-scale, scale)
# 图片旋转得到仿射变化矩阵赋给R的前两行
R[:2] = cv2.getRotationMatrix2D(angle=a, center=(0, 0), scale=s)
# Shear
# 弯曲角度
S = np.eye(3)
S[0, 1] = math.tan(random.uniform(-shear, shear) * math.pi / 180) # x shear (deg)
S[1, 0] = math.tan(random.uniform(-shear, shear) * math.pi / 180) # y shear (deg)
# Translation
T = np.eye(3)
T[0, 2] = random.uniform(0.5 - translate, 0.5 + translate) * width # x translation (pixels)
T[1, 2] = random.uniform(0.5 - translate, 0.5 + translate) * height # y translation (pixels)
# Combined rotation matrix
# 组合旋转矩阵
M = T @ S @ R @ P @ C # order of operations (right to left) is IMPORTANT
# 通过矩阵乘法组合
if (border[0] != 0) or (border[1] != 0) or (M != np.eye(3)).any(): # image changed
if perspective: # 如果透视
# cv2.warpPerspective透视变换函数，可保持直线不变形，但是平行线可能不再平行
im = cv2.warpPerspective(im, M, dsize=(width, height), borderValue=(114, 114, 114))
else: # affine
# cv2.warpAffine放射变换函数，可实现旋转，平移，缩放，并且变换后的平行线依旧平行
im = cv2.warpAffine(im, M[:2], dsize=(width, height), borderValue=(114, 114, 114))
# Visualize
# import matplotlib.pyplot as plt
# ax = plt.subplots(1, 2, figsize=(12, 6))[1].ravel()
# ax[0].imshow(im[:, :, ::-1]) # base
# ax[1].imshow(im2[:, :, ::-1]) # warped
# Transform label coordinates
# 变换标签坐标
n = len(targets)
if n:
# 判断segments是否为空或是否全为0（目标像素段）
use_segments = any(x.any() for x in segments) and len(segments) == n
new = np.zeros((n, 4))
# 如果使用的是segments标签(标签中含有多边形gt)
if use_segments: # warp segments
#上采样
segments = resample_segments(segments) # upsample
for i, segment in enumerate(segments):
xy = np.ones((len(segment), 3))
xy[:, :2] = segment
xy = xy @ M.T # transform
xy = xy[:, :2] / xy[:, 2:3] if perspective else xy[:, :2] # perspective rescale or affine
# clip
new[i] = segment2box(xy, width, height)
else: # warp boxes
xy = np.ones((n * 4, 3))
xy[:, :2] = targets[:, [1, 2, 3, 4, 1, 4, 3, 2]].reshape(n * 4, 2) # x1y1, x2y2, x1y2, x2y1
xy = xy @ M.T # transform
xy = (xy[:, :2] / xy[:, 2:3] if perspective else xy[:, :2]).reshape(n, 8) # perspective rescale or affine
# create new boxes
x = xy[:, [0, 2, 4, 6]]
y = xy[:, [1, 3, 5, 7]]
new = np.concatenate((x.min(1), y.min(1), x.max(1), y.max(1))).reshape(4, n).T
# clip
new[:, [0, 2]] = new[:, [0, 2]].clip(0, width)
new[:, [1, 3]] = new[:, [1, 3]].clip(0, height)
# filter candidates
i = box_candidates(box1=targets[:, 1:5].T * s, box2=new.T, area_thr=0.01 if use_segments else 0.10)
targets = targets[i]
targets[:, 1:5] = new[i]
return im, targets
这个函数会用于load_mosaic中用在mosaic操作之后，还是蛮重要的。
这段代码包括对图片的旋转、缩放、透视、弯曲、放大缩小的随机变化，每一个操作都通过创建一个3*3的矩阵，最后相乘，进行变换
最后还要调整标签信息，只有多边形gt时才有。
Mosaic
经过mosaic + random_perspective
def cutout(im, labels, p=0.5):
# Applies image cutout augmentation https://arxiv.org/abs/1708.04552
"""用在LoadImagesAndLabels模块中的__getitem__函数进行cutout增强 v5源码作者默认是没用用这个的 感兴趣的可以测试一下
cutout数据增强, 给图片随机添加随机大小的方块噪声 目的是提高泛化能力和鲁棒性
实现：随机选择一个固定大小的正方形区域，然后采用全0填充就OK了，当然为了避免填充0值对训练的影响，应该要对数据进行中心归一化操作，norm到0。
论文: https://arxiv.org/abs/1708.04552
:params image: 一张图片 [640, 640, 3] numpy
:params labels: 这张图片的标签 [N, 5]=[N, cls+x1y1x2y2]
:return labels: 筛选后的这张图片的标签 [M, 5]=[M, cls+x1y1x2y2] M<N
筛选: 如果随机生成的噪声和原始的gt框相交区域占gt框太大 就筛出这个gt框label
"""
if random.random() < p:
h, w = im.shape[:2]
scales = [0.5] * 1 + [0.25] * 2 + [0.125] * 4 + [0.0625] * 8 + [0.03125] * 16 # image size fraction
for s in scales:
mask_h = random.randint(1, int(h * s)) # create random masks
mask_w = random.randint(1, int(w * s))
# box 随机生成噪声
xmin = max(0, random.randint(0, w) - mask_w // 2)
ymin = max(0, random.randint(0, h) - mask_h // 2)
xmax = min(w, xmin + mask_w)
ymax = min(h, ymin + mask_h)
# apply random color mask 添加随机颜色的噪声
im[ymin:ymax, xmin:xmax] = [random.randint(64, 191) for _ in range(3)]
# return unobscured labels 返回没有噪声的label
if len(labels) and s > 0.03:
box = np.array([xmin, ymin, xmax, ymax], dtype=np.float32)
ioa = bbox_ioa(box, xywhn2xyxy(labels[:, 1:5], w, h)) # intersection over area
labels = labels[ioa < 0.60] # remove >60% obscured labels
return labels
cutout数据增强，用在LoadImagesAndLabels模块中的__getitem__函数进行cutout增强。给图片随机添加随机大小的方块噪声 ，目的是提高泛化能力和鲁棒性。
作者没有使用这个，可以自己试一试。
def mixup(im, labels, im2, labels2):
# Applies MixUp augmentation https://arxiv.org/pdf/1710.09412.pdf
r = np.random.beta(32.0, 32.0) # mixup ratio, alpha=beta=32.0
im = (im * r + im2 * (1 - r)).astype(np.uint8)
labels = np.concatenate((labels, labels2), 0)
return im, labels
将两张图片按比例融合起来，labels就相同维度concat起来
也用在LoadImagesAndLabels的__getitem__中，进行数据增强
def box_candidates(box1, box2, wh_thr=2, ar_thr=100, area_thr=0.1, eps=1e-16): # box1(4,n), box2(4,n)
# Compute candidate boxes: box1 before augment, box2 after augment, wh_thr (pixels), aspect_ratio_thr, area_ratio
w1, h1 = box1[2] - box1[0], box1[3] - box1[1]
w2, h2 = box2[2] - box2[0], box2[3] - box2[1]
ar = np.maximum(w2 / (h2 + eps), h2 / (w2 + eps)) # aspect ratio
return (w2 > wh_thr) & (h2 > wh_thr) & (w2 * h2 / (w1 * h1 + eps) > area_thr) & (ar < ar_thr) # candidates
这个函数用在random_perspective中，是对透视变换后的图片的label进行筛选，增强后w、h要大于2 增强后图像与增强前图像面积比值大于area_thr 宽高比大于ar_thr
这篇主要讲了YOLOv5中的各种数据增强方法。其中图片缩放和随机透视变换特别重要，尤其是后者会在Mosaic过后用到。其他的了解下即可。
References
CSDN 嗜睡的篠龙【YOLOv5-6.x】数据增强代码解析 CSDN Tina姐 最快最好用的数据增强库「albumentations」 一文看懂用法 CSDN 满船清梦压星河HK【YOLOV5-5.x 源码解读】datasets.py