yolo训练策略--使用 Python 和 OpenCV 进行图像亮度增强与批量文件复制之(图像增强是按梯度变化优化)

本文主要是介绍yolo训练策略--使用 Python 和 OpenCV 进行图像亮度增强与批量文件复制之(图像增强是按梯度变化优化),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

接上个博客:

https://blog.csdn.net/weixin_43269994/article/details/141753412

优化如下函数:

def augment_and_copy_files(base_folder, image_filename, num_augmentations=2, vgain_range=(1, 1.5), process_labels=True, process_annotations=True):base_filename, image_ext = os.path.splitext(image_filename)# 构建原始文件路径file_paths = {"images": os.path.join(base_folder, "images", image_filename),}if process_annotations:file_paths["annotations"] = os.path.join(base_folder, "annotations", f"{base_filename}.xml")if process_labels:file_paths["labels"] = os.path.join(base_folder, "labels", f"{base_filename}.txt")# 创建输出文件夹output_folders = create_output_folders(base_folder)# 复制原始图像copy_file(file_paths["images"], output_folders["images"], "", preserve_ext=True)if process_annotations:copy_file(file_paths["annotations"], output_folders["annotations"], "", preserve_ext=True)if process_labels:copy_file(file_paths["labels"], output_folders["labels"], "", preserve_ext=True)# 生成按梯度变化的增益值vgain_start, vgain_end = vgain_rangevgain_step = (vgain_end - vgain_start) / num_augmentationsfor i in range(1, num_augmentations + 1):vgain = vgain_start + i * vgain_stepbrightened_img = adjust_brightness(cv2.imread(file_paths["images"]), vgain)filename_suffix = f"_enhanced_{i}"output_image_path = copy_file(file_paths["images"], output_folders["images"], filename_suffix, preserve_ext=True)cv2.imwrite(output_image_path, brightened_img)print(f"Saved: {output_image_path}")if process_annotations:copy_file(file_paths["annotations"], output_folders["annotations"], filename_suffix, preserve_ext=True)print(f"Copied annotations: {output_image_path}")if process_labels:copy_file(file_paths["labels"], output_folders["labels"], filename_suffix, preserve_ext=True)print(f"Copied labels: {output_image_path}")print(f"All unique images and their annotations for {image_filename} have been enhanced and saved!")

这个函数 augment_and_copy_files 的目的是处理和增强图像,并将处理后的图像及其相关的注释和标签文件复制到指定的输出文件夹中。具体来说,它对图像进行亮度调整,并生成多个增强版本,同时可选择处理和复制对应的注释和标签文件。以下是详细解释:

  • base_folder: 原始数据的基路径。它包含了 images、annotations 和 labels 文件夹。
  • image_filename: 要处理的图像文件名。
  • num_augmentations: 生成的增强图像数量。
  • vgain_range: 亮度增益的范围,包含两个值,起始增益和结束增益。
  • process_labels: 布尔值,指示是否处理标签文件。
  • process_annotations: 布尔值,指示是否处理注释文件。

总体代码:

import cv2
import numpy as np
import os
import shutildef adjust_brightness(im, vgain):hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)hue, sat, val = cv2.split(hsv)val = np.clip(val * vgain, 0, 255).astype(np.uint8)enhanced_hsv = cv2.merge((hue, sat, val))brightened_img = cv2.cvtColor(enhanced_hsv, cv2.COLOR_HSV2BGR)return brightened_imgdef create_output_folders(base_folder):new_base_folder = os.path.join(os.path.dirname(base_folder), "augmented_data")output_folders = {"images": os.path.join(new_base_folder, "images"),"annotations": os.path.join(new_base_folder, "annotations"),"labels": os.path.join(new_base_folder, "labels")}for folder in output_folders.values():os.makedirs(folder, exist_ok=True)return output_foldersdef copy_file(src_path, dst_folder, filename_suffix, preserve_ext=True):base_filename, ext = os.path.splitext(os.path.basename(src_path))if preserve_ext:new_filename = f"{base_filename}{filename_suffix}{ext}"else:new_filename = f"{base_filename}{filename_suffix}"dst_path = os.path.join(dst_folder, new_filename)shutil.copy(src_path, dst_path)return dst_pathdef augment_and_copy_files(base_folder, image_filename, num_augmentations=2, vgain_range=(1, 1.5), process_labels=True, process_annotations=True):base_filename, image_ext = os.path.splitext(image_filename)# 构建原始文件路径file_paths = {"images": os.path.join(base_folder, "images", image_filename),}if process_annotations:file_paths["annotations"] = os.path.join(base_folder, "annotations", f"{base_filename}.xml")if process_labels:file_paths["labels"] = os.path.join(base_folder, "labels", f"{base_filename}.txt")# 创建输出文件夹output_folders = create_output_folders(base_folder)# 复制原始图像copy_file(file_paths["images"], output_folders["images"], "", preserve_ext=True)if process_annotations:copy_file(file_paths["annotations"], output_folders["annotations"], "", preserve_ext=True)if process_labels:copy_file(file_paths["labels"], output_folders["labels"], "", preserve_ext=True)# 生成按梯度变化的增益值vgain_start, vgain_end = vgain_rangevgain_step = (vgain_end - vgain_start) / num_augmentationsfor i in range(1, num_augmentations + 1):vgain = vgain_start + i * vgain_stepbrightened_img = adjust_brightness(cv2.imread(file_paths["images"]), vgain)filename_suffix = f"_enhanced_{i}"output_image_path = copy_file(file_paths["images"], output_folders["images"], filename_suffix, preserve_ext=True)cv2.imwrite(output_image_path, brightened_img)print(f"Saved: {output_image_path}")if process_annotations:copy_file(file_paths["annotations"], output_folders["annotations"], filename_suffix, preserve_ext=True)print(f"Copied annotations: {output_image_path}")if process_labels:copy_file(file_paths["labels"], output_folders["labels"], filename_suffix, preserve_ext=True)print(f"Copied labels: {output_image_path}")print(f"All unique images and their annotations for {image_filename} have been enhanced and saved!")def process_all_images_in_folder(base_folder, num_augmentations=2, vgain_range=(1, 1.5), process_labels=True, process_annotations=True):images_folder = os.path.join(base_folder, "images")for image_filename in os.listdir(images_folder):if image_filename.lower().endswith(('.bmp', '.jpg', '.jpeg', '.png')):augment_and_copy_files(base_folder, image_filename, num_augmentations, vgain_range, process_labels, process_annotations)# 使用示例
base_folder = r"C:\Users\linds\Desktop\fsdownload\upgrade_algo_so\data_res_2024_08_31_16_38\train"
process_all_images_in_folder(base_folder, num_augmentations=10, vgain_range=(1, 3), process_labels=True, process_annotations=False)

这篇关于yolo训练策略--使用 Python 和 OpenCV 进行图像亮度增强与批量文件复制之(图像增强是按梯度变化优化)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/1124793

相关文章

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Android kotlin中 Channel 和 Flow 的区别和选择使用场景分析

《Androidkotlin中Channel和Flow的区别和选择使用场景分析》Kotlin协程中,Flow是冷数据流,按需触发,适合响应式数据处理;Channel是热数据流,持续发送,支持... 目录一、基本概念界定FlowChannel二、核心特性对比数据生产触发条件生产与消费的关系背压处理机制生命周期

java使用protobuf-maven-plugin的插件编译proto文件详解

《java使用protobuf-maven-plugin的插件编译proto文件详解》:本文主要介绍java使用protobuf-maven-plugin的插件编译proto文件,具有很好的参考价... 目录protobuf文件作为数据传输和存储的协议主要介绍在Java使用maven编译proto文件的插件

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

SpringBoot线程池配置使用示例详解

《SpringBoot线程池配置使用示例详解》SpringBoot集成@Async注解,支持线程池参数配置(核心数、队列容量、拒绝策略等)及生命周期管理,结合监控与任务装饰器,提升异步处理效率与系统... 目录一、核心特性二、添加依赖三、参数详解四、配置线程池五、应用实践代码说明拒绝策略(Rejected

C++ Log4cpp跨平台日志库的使用小结

《C++Log4cpp跨平台日志库的使用小结》Log4cpp是c++类库,本文详细介绍了C++日志库log4cpp的使用方法,及设置日志输出格式和优先级,具有一定的参考价值,感兴趣的可以了解一下... 目录一、介绍1. log4cpp的日志方式2.设置日志输出的格式3. 设置日志的输出优先级二、Window

Ubuntu如何分配​​未使用的空间

《Ubuntu如何分配​​未使用的空间》Ubuntu磁盘空间不足,实际未分配空间8.2G因LVM卷组名称格式差异(双破折号误写)导致无法扩展,确认正确卷组名后,使用lvextend和resize2fs... 目录1:原因2:操作3:报错5:解决问题:确认卷组名称​6:再次操作7:验证扩展是否成功8:问题已解

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函