【ML】Image Augmentation）的作用、使用方法及其分类
图像增强（Image Augmentation）的作用、使用方法及其分类
- 1. 图像增强的定义
- 2. 图像增强的作用
- 3. 什么时候使用图像增强？
- 4. 图像增强详细方法分类梳理
- 4.1 图像增强方法列表
- 4.2 边界框增强方法
- 5. 参考资料
- yolov3（一：模型训练）
- yolov3（二：车牌识别）
- yolov3（四：车牌识别及算法解析）
1. 图像增强的定义
图像增强（Image Augmentation）是一种技术，它通过对原始图像进行各种变换或操作，生成新的图像数据。这些变换包括旋转、翻转、裁剪、调节亮度、添加噪声等。图像增强主要用于扩充训练数据集，以提高机器学习模型的鲁棒性和泛化能力。
2. 图像增强的作用
-
扩充数据集：在数据有限的情况下，图像增强可以人为增加数据量，生成更多的训练样本，从而避免模型过拟合。
-
提高模型鲁棒性：通过对图像进行不同形式的变换，可以让模型学习到更具多样性的特征，从而提高模型在面对未知数据时的表现。例如，旋转、翻转可以让模型更好地应对不同的视角变化。
-
模拟真实场景：图像增强技术可以模拟现实世界中可能出现的各种情况，如光照变化、噪声干扰、模糊等，增强模型的实用性。
-
防止过拟合：在训练模型时，过拟合是一个常见问题，特别是在数据集较小的情况下。通过图像增强，可以有效地降低模型对特定样本的依赖性，提升模型的泛化能力。
3. 什么时候使用图像增强？
-
数据集较小：当训练数据不足时，图像增强是扩充数据量的有效方法。
-
模型过拟合：如果模型在训练集上表现很好，但在验证集或测试集上表现较差，图像增强可以帮助缓解过拟合问题。
-
多样性不足：当数据集中的样本具有较大相似性，或缺乏不同环境、不同条件下的样本时，图像增强可以增加数据的多样性。
-
应用场景复杂：当模型应用于复杂或多变的场景时，通过图像增强可以提前模拟这些变化，提高模型的适应能力。
总的来说，图像增强是提升模型性能的重要手段，特别是在数据有限或需要面对复杂场景时尤为有用。
4. 图像增强详细方法分类梳理
4.1 图像增强方法列表
| 增强方法 | 详细说明 | 特点 |
|---|---|---|
| Flip | 将图像水平翻转或垂直翻转，使图像左右或上下颠倒。 | 对称性增强，避免模型依赖方向信息。 |
| 90° Rotate | 将图像按90度、180度或270度旋转。 | 增强模型对不同旋转角度的鲁棒性。 |
| Crop | 裁剪图像的某一部分以生成一个新的子图像。 | 关注特定区域，防止模型对背景信息的依赖。 |
| Rotation | 任意角度旋转图像而不是90度的倍数。 | 提供多样化的视角，增强模型对不同角度的适应性。 |
| Shear | 对图像进行倾斜变换，将图像的形状进行拉伸或扭曲。 | 增强模型对几何变形的鲁棒性。 |
| Grayscale | 将图像转换为灰度图像，仅保留亮度信息。 | 去除颜色信息，关注亮度和形状特征。 |
| Hue | 改变图像的色调，调整图像的整体颜色。 | 模拟不同的光照条件，增强模型对颜色变化的适应性。 |
| Saturation | 调整图像的饱和度，使颜色更加鲜艳或更加黯淡。 | 增强模型对颜色强度变化的鲁棒性。 |
| Exposure | 调整图像的曝光度，使图像变得更亮或更暗。 | 增强模型对不同光照条件的适应性。 |
| Blur | 对图像应用模糊滤镜，降低图像的清晰度。 | 模拟相机对焦不准确的情况，增强模型的鲁棒性。 |
| Noise | 向图像中添加随机噪声，如高斯噪声或椒盐噪声。 | 增强模型对噪声的鲁棒性，模拟传感器噪声或压缩失真。 |
| Cutout | 在图像上随机遮挡一个或多个区域，用纯黑色或其他颜色填充遮挡区域。 | 使模型更关注整体特征，避免过度依赖某一特定区域。 |
| Mosaic | 将多个图像组合在一起生成一个新图像，通常将图像分成不同的区域，然后重新排列。 | 提供更多样的训练样本，增加模型的泛化能力。 |
4.2 边界框增强方法
| 增强方法 | 详细说明 | 特点 |
|---|---|---|
| Flip | 对图像中的边界框进行水平或垂直翻转。 | 保持目标物体的定位不变，但方向改变。 |
| 90° Rotate | 将包含边界框的图像旋转90度。 | 增强模型对不同旋转角度的目标检测能力。 |
| Crop | 裁剪图像和相应的边界框。 | 可以生成更加局部的检测目标，防止模型依赖背景信息。 |
| Rotation | 任意角度旋转图像中的目标和边界框。 | 增加检测目标的多样性和角度变化的适应性。 |
| Shear | 对图像及其边界框进行剪切变换。 | 提供对变形目标的检测能力，增强模型的几何鲁棒性。 |
| Brightness | 调整图像的亮度，同时对边界框不产生影响。 | 增强模型在不同光照条件下的目标检测能力。 |
| Exposure | 调整图像的曝光度，处理高曝光或低曝光图像中的目标检测。 | 增强模型对不同曝光条件的目标检测能力。 |
| Blur | 对图像进行模糊处理，目标仍然被边界框标记。 | 模拟相机对焦不准的情况，增强模型的鲁棒性。 |
| Noise | 向图像中添加随机噪声，仍保持边界框标注的准确性。 | 增强模型在噪声环境下的目标检测能力。 |
这些增强方法有助于在图像分类、目标检测等任务中生成更多样化的训练样本，增强模型的鲁棒性和泛化能力。
5. 参考资料
- Introducing Bounding Box Level Augmentations