yolov训练图像增强python

### 使用图像增强技术优化 YOLOv 训练 在使用 YOLOv 模型进行目标检测或分类任务时，可以通过配置数据增强选项来提升模型性能。YOLOv 提供了一种灵活的方式，在训练阶段自动应用多种图像增强技术。 以下是实现方式的具体说明： #### 修改 `data` 参数中的增强设置 YOLOv 的训练过程支持通过配置文件（通常是 `.yaml` 文件）定义数据集及其增强策略。可以在数据配置文件中指定增强参数。例如，假设使用的数据配置文件路径为 `./data-flower1/data.yaml`，则可以编辑该文件并添加或调整以下字段[^1]： ```yaml # 数据增强相关参数 augment: true # 是否启用数据增强，默认为 True mosaic: 1.0 # Mosaic 增强的概率 mixup: 0.0 # MixUp 增强的概率 copy_paste: 0.0 # Copy-Paste 增强的概率 degrees: 0.0 # 图像旋转角度范围 translate: 0.1 # 平移比例 scale: 0.5 # 缩放比例 shear: 0.0 # 错切变换强度 perspective: 0.0 # 透视变换强度 flipud: 0.0 # 上下翻转概率 fliplr: 0.5 # 左右翻转概率 hsv_h: 0.015 # HSV 色调变化幅度 hsv_s: 0.7 # HSV 饱和度变化幅度 hsv_v: 0.4 # HSV 明亮度变化幅度 ``` 以上参数控制了各种增强操作的应用程度。如果需要自定义更复杂的增强逻辑，则可通过扩展代码手动实现。 --- #### 手动集成增强功能到训练流程 除了依赖默认的数据增强机制外，还可以利用第三方库（如 `albumentations` 或 PyTorch 自带工具）编写自定义的增强管道，并将其嵌入到训练函数中。下面是一个基于 `albumentations` 库的例子[^2]: 安装所需库： ```bash pip install albumentations ``` 创建自定义增强流水线： ```python from albumentations import Compose, HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate def get_augmentation_pipeline(): """返回 Albumentations 增强流水线""" augmentations = Compose([ HorizontalFlip(p=0.5), # 以 50% 的概率水平翻转图片 RandomBrightnessContrast(p=0.3), # 随机调节亮度对比度 ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.2, rotate_limit=15, p=0.5) # 几何变换 ]) return augmentations ``` 将增强应用于输入数据前处理部分： ```python import cv2 from ultralytics import YOLO def apply_custom_augmentation(image_path): image = cv2.imread(image_path) augmentation_pipeline = get_augmentation_pipeline() augmented_image = augmentation_pipeline(image=image)['image'] return augmented_image def train_model_with_custom_augmentation(): model = YOLO("./yolov8n-cls.pt") # 对每张输入图片应用自定义增强后再送入模型 def custom_data_loader(data_folder): for file_name in os.listdir(data_folder): if file_name.endswith(('.png', '.jpg')): original_image = apply_custom_augmentation(os.path.join(data_folder, file_name)) yield original_image data_generator = custom_data_loader('./data-flower1/images') results = model.train( data=data_generator, epochs=10, imgsz=64 ) print("训练完成") if __name__ == '__main__': from multiprocessing import freeze_support freeze_support() train_model_with_custom_augmentation() ``` 上述代码展示了如何结合外部增强库与 YOLOv 进行联合开发。注意，实际项目中可能还需要适配标注框坐标的变化情况。 --- #### 注意事项 1. **Mosaic 和 MixUp** 是两种常用的高级增强手段，能够显著改善小样本场景下的泛化能力。 2. 如果硬件资源有限，应适当降低增强复杂度以免拖慢训练速度。 3. 当采用自定义增强方案时，请确保增强后的标签信息同步更新，特别是对于边界框类别的任务。 ---