导读

我们经常会遇到训练模型时数据不够的情况，而且很多时候无法再收集到更多的数据，只能通过做一些数据增强或者其它的方法来合成一些数据。常用的数据增强方式有裁剪、旋转、缩放、亮度对比度色度饱和度变换、仿射变换、透视变换等，这篇文章我们来介绍一个更方便更多策略的数据增强，主要依赖imgaug来实现。

imgaug

imgaug是一个python的图像增强库，它能够通过输入图片产生新图片的集合，能够通过不同的策略来改变图片以达到数据增强的目的。它能够应用于图像分类、图像分割、关键点定位、目标检测等任务的数据增强

github地址：https://github.com/aleju/imgaug

官方文档：https://imgaug.readthedocs.io/en/latest/source/examples_basics.html

特点

• 多种数据增强技术
  仿射变换、透视变换、对比度改变、高斯噪声、色度饱和度变化、随机裁剪、模糊处理
  只处理部分图片
  随机顺序组合策略进行数据增强
• 支持多种任务处理
  Images、Heatmaps、Segmentation Maps、mask、keypoints、landmarks、Bounding Boxes、Polygons、Line Strings
• 支持多种数据分布
  根据不同的数据分布来产生随机参数，支持均匀分布、高斯分布、beta分布
• 内置多种辅助函数
  绘制heatmaps、segmentation maps、keypoints、bounding boxes等
  缩放segmentation maps、平均池化、最大池化等
• 多核CPU数据增强加快处理速度

安装

• 环境要求python2.7或python3.4+
• 使用conda安装和卸载

#安装

conda config --add channels conda-forge

conda install imgaug

#卸载

conda remove imgaug

• 使用pip安装和卸载

#安装

pip install imgaug

#使用git上最新版本进行安装

pip install git+https://github.com/aleju/imgaug.git

#卸载

pip uninstall imgaug

使用示例

• 简单的数据增强

• 结合多种数据增强策略

• bounding box的数据增强

通过上面两张图对比，可以发现变换前后，box在图片上的位置并没有发生变化。

• 数据增强参数的数据分布设置

• 针对部分通道进行数据增强处理

总结

imgaug还支持很多其它的数据增强策略，比如当seq中图像增强的方式太多可能会导致图片受损严重，这时候你可以通过iaa.OneOf方法来执行其中一个，也可以通过iaa.SomeOf方法执行其中的几个等。更多更详细的应用，大家可以去参考git和官方文档。