像许多神经网络模型一样，目标检测模型在训练大量数据时效果最好。通常情况下，可用的数据有限，世界各地的许多研究人员正在研究增强策略，以增加可用的数据量。谷歌的大脑团队进行了一项这样的研究，并发表在了一篇论文中，名为Learning Data Augmentation Strategies for Object Detection。在这篇论文中，作者确定了一组增强称为策略，它对目标检测问题表现良好。该策略通过增强搜索获得，提高了通用模型的性能。

作者将增强策略定义为一组子策略。BB在模型进行训练时，随机选择其中一个子策略用于增强图像。在每个子策略中都有要依次应用于图像的增强。每个转换也有两个超参数：概率和幅度。概率表示该增强将被应用的可能性，而幅度表示该增强的程度。下面的代码显示了本文中使用的策略：

policy = [          [('TranslateX_BBox', 0.6, 4), ('EAuqualize', 0.8, 10)],      [('TranslateY_Only_BBoxes', 0.2, 2), ('Cutout', 0.8, 8)],      [('Sharpness', 0.0, 8), ('ShearX_BBox',&ng:bsp;0.4, 0)],         [('ShearY_BBox', 1.0, 2), ('TranslateY_Only_BBoxes', 0.6, 6)],    [('Rotate_BBox', 0.6, 10), ('Color',  一;1.0, 6)], ] 

在这个策略中有5个子策略，如果我们取第一个子策略，它就包含了TranslateX_BBox和Equalize增强。TranslateX_BBox操作在x轴上转换图像的幅度为4。在本例中，大小并不直接转换为像素，而是根据大小缩放为像素值。该增强的概率也为0.6，这意味着如果该增强被选中，则应用该增强的概率为60%。随着每个增强都有一个相关的概率，引入了一个随机的概念，给训练增加了一定程度的随机性。总的来说，Brain Te个用am已经提出了4个策略: v0, v1, v2和v3。本文中显示了v0策略，其他三个策略包含更多的子策略，这些子策略具有几种不同的转换。总的来说，增加分为三类，作者定义为：

颜色操作: 扭曲颜色通道，不影响边界框的位置。

几何操作：几何扭曲图像，这相应地改变了边界框的位置和大小。

包围框操作：只会扭曲包围框中包含的像素内容。

BBAug

那么BBAug)在这方面有什么贡献呢？BBAug是一个python包，它实现了谷歌Brain Team的所有策略。这个包是一个包装器，可以更容易地使用这些策略于P。实际的扩展是由优秀的imgaug包完成的。

上面显示的策略应用于一个示例图像，如下所示。每一行是一个不同的子策略，每一列是该子策略的不同运行。

正如你所看到的，在子策略的运行之间有一定程度的变化，因此给训练增加了一定程度的随机性。这只是BBAug实施的4个策略之一。要查看所有4个策略的完整可视化，请查看包的GitHub页面：https://github.com/harpalsahota/bbaug。该包还提供了一些有用的功能，比如定制策略的可能性，以及位于图像外部的边界框，如yT果它们部分位于图像外部，则会被自动删除或剪切。例如，在下面的图像中，应用了平移增强，将边界框部分推到图像外部。你可以看到新的边界框已经缩小以适应这一点。

也可以创建只影响边界框区域的增强。在下图中，solarisaugmentation只应用于边界框区域：

用随机策略增加单个图像有多容易？就像这样简单:

from bbaug import policies  # select policy v0 soret  aug_policy = policies.policies_v0()   # instantiate the policy container with the selected policy set  policy_container = policies.PolicyCchontainer(aug_policy)  # select a random policy from the policy set  random_policy = policy_container.select_random_policy()    # Apply the的物 augmentation. Returns the augmented image and bounding boxes.  # Image is a numpy array of the image  # Bounding boxes is&nb体检sp;a list of list of bounding boxes in pixels (int).  # e.g. [[x_min, y_min, x_man, y_max], [x_min, y_min, x_man, y_max]]  #&nbs测包p;Labels are the class labels for the bounding boxes as an iterable of ints e.g. [1,0]  img_aug, bbs_aug = policy_container.apply_augmentatio围框n(random_policy, image, bounding_boxes, labels)  # image_aug: numpy array of the augmented image  # bbs_aug: numpy array of augmneted bound数据ing boxes in format: [[label, x_min, y_min, x_man, y_max],...]  总结

该包实现了谷歌Brain Team推导出的增强策略。目前，已经实现了所有4个策略，该包还附带了notebooks，以帮助用户将这些策略集成到他们的PyTorch训练pipeline中。

• ·标签: DeepSeek 无问芯穹 十五五规划 AI+制造
• ·标签: 北汽集团 北京汽车制造厂 不正当竞争 二一二越野车
• ·核桃仁做菜的菜谱
• ·​Meta 遭起诉涉嫌非法下载色情内容用于 AI 训练，申请驳回诉讼
• ·标签: TCL 李东生 中国发展高层论坛 十五五
• ·赛力斯牵手字节跳动火山引擎，共推“具身智能”汽车产业升级
• ·亚马逊、沃尔玛利用人工智能判断如何处理客户退货
• ·浜戝畨鍏ㄦ棩鎶�210726锛欼BM浼佷笟鏂囦欢浜や粯瑙ｅ喅鏂规�鍙戠幇鎵ц�浠绘剰浠ｇ爜婕忔礊,闇€瑕佸敖蹇�崌绾�
• ·标签: 苹果 iPhone 17 Pro 换购 折抵
• ·常用计时工具有哪些
• ·标签: 九号公司 新国标 电动自行车
• ·标签: 仙途智能 无人环卫 欠薪事件 嘉兴仙途
• ·亚马逊广告营收已是推特Snap等平台总和的2.4倍
• ·Facebook高管：计划明年推出数字货币Diem和数字钱包Novi
• ·​Zoom 新推出 AI 助手AI Companion，为迟到的与会者总结会议内容
• ·中国AI三巨头入选《时代》周刊2025年度百强榜单