1为深度学习模型训练增强图像数据
- 1安装 Albumentations：使用 pip install albumentations 安装库。
- 2定义增强流水线：从 albumentations 导入 Compose，并组合多种变换，如 HorizontalFlip、RandomBrightnessContrast、Rotate 等。
- 3应用变换：对每张训练图像调用 pipeline(image=img)['image']，同时可传入 mask 或 bbox 参数以同步增强标签。
2在目标检测任务中同步增强图像和边界框
- 1导入 BboxParams：从 albumentations 导入 BboxParams，并设置 format='pascal_voc' 或 'coco' 以匹配你的标注格式。
- 2创建带 bbox 参数的流水线：使用 Compose([...], bbox_params=BboxParams(format='pascal_voc', label_fields=['labels']))。
- 3调用增强：对每个样本执行 transformed = pipeline(image=img, bboxes=boxes, labels=labels)，然后从结果中提取增强后的 bboxes 和 labels。
3为语义分割任务增强图像和分割掩码
- 1导入分割相关变换：使用 albumentations 中的 HorizontalFlip、RandomCrop、ElasticTransform 等。
- 2创建流水线：使用 Compose([...])，无需额外参数，因为掩码与图像使用相同的几何变换。
- 3同时传入图像和掩码：调用 transformed = pipeline(image=img, mask=mask)，然后分别获取 transformed['image'] 和 transformed['mask']。