YOLOv5图像增强部分

简介: YOLOV5关于对图像的增强可谓是下了一番功夫,在代码部分之间就做到图像增强,可以说是功能越来越自动化,人工参与程度越来越低,下面就来详细了解一下YOLOv5所用的图像增强方法。

YOLOV5关于对图像的增强可谓是下了一番功夫,在代码部分之间就做到图像增强,可以说是功能越来越自动化,人工参与程度越来越低,下面就来详细了解一下YOLOv5所用的图像增强方法。

1. Mosaic

这里yolov5还额外提出了一个9图的mosaic操作,9张图像,拼接在一起处理,图像更大了而且label也更多,训练一张这样的拼接图像等同与训练了9张小图。

2.Copy paste数据增强

将部分目标随机的粘贴到图片中

3.Random affine

随机进行仿射变换,即缩放和平移。

4.MixUp

就是将两张图片按照一定的透明度融合在一起。

5.Albumentations,

主要是做些滤波、直方图均衡化以及改变图片质量等等,我看代码里写的只有安装了albumentations包才会启用,但在项目的requirements.txt文件中albumentations包是被注释掉了的,所以默认不启用。

6.Augment HSV(Hue, Saturation, Value)

随机调整色度,饱和度以及明度。

7.Random horizontal flip

随机水平翻转

目录
相关文章
|
6月前
|
机器学习/深度学习 数据可视化 网络架构
请你继续卷:YOLOV9
请你继续卷:YOLOV9
195 0
|
机器学习/深度学习 算法 数据挖掘
目标检测算法——YOLOv3
目标检测算法——YOLOv3
367 0
目标检测算法——YOLOv3
|
6月前
|
监控 算法 自动驾驶
YOLO
YOLO“【5月更文挑战第23天】”
98 1
|
5月前
|
机器学习/深度学习 计算机视觉 网络架构
YOLOv9这么快就来了,赶紧学起来~
YOLOv9这么快就来了,赶紧学起来~
|
6月前
|
算法 数据可视化 数据处理
YOLOv5实现图片内目标检测
本文介绍了如何配置yolov5的运行环境、如何进行数据标注、如何通过yolov5训练数据集实现图片的目标检测。目标检测在计算机视觉领域中具有重要意义,yolov5(You Only Look One-level)是目标检测算法中的一种代表性方法,以其高效性和准确性备受关注,并且在各种目标检测任务中都表现出卓越的性能。
601 1
YOLOv5实现图片内目标检测
|
6月前
|
机器学习/深度学习 编解码 移动开发
YOLOv5改进 | 2023 | FocusedLinearAttention实现有效涨点
YOLOv5改进 | 2023 | FocusedLinearAttention实现有效涨点
113 1
|
6月前
|
机器学习/深度学习 编解码 移动开发
YOLOv8改进 | 2023 | FocusedLinearAttention实现有效涨点
YOLOv8改进 | 2023 | FocusedLinearAttention实现有效涨点
182 0
YOLOv8改进 | 2023 | FocusedLinearAttention实现有效涨点
|
机器学习/深度学习 人工智能 固态存储
YOLO v1详细解读
《You Only Look Once: Unifified, Real-Time Object Detection》 Joseph Redmon∗* , Santosh Divvala∗†, Ross Girshick*¶* , Ali Farhadi∗† University of Washington∗ , Allen Institute for AI*†* , Facebook AI Research*¶**
YOLO v1详细解读
|
数据挖掘 计算机视觉
目标检测:YOLOV3技术详解
目标检测:YOLOV3技术详解
253 0
目标检测:YOLOV3技术详解
|
机器学习/深度学习 算法 Go
Yolo v4:目标检测的最佳速度和精度(二)
Yolo v4:目标检测的最佳速度和精度
Yolo v4:目标检测的最佳速度和精度(二)