Aumento de datos: rotación aleatoria

---

prefacio

Al rotar aleatoriamente la imagen en la detección de objetivos, se debe tener en cuenta el cambio de las coordenadas de bbox. Busqué
la información en Internet y descubrí que estaba confundido. Personalmente escribí un conjunto de instrucciones fáciles de entender.

1. Paquete de guía

import cv2
from PIL import Image
import torch
import random
import numpy as np
import matplotlib.pyplot as plt

2. Código central

class RandomRotation(object):
    def __call__(self, image, boxes): #boxes,tensor数据，格式n*4,n为目标个数，4为左上右下坐标 xyxy
        degree = random.uniform(-30, 30)
        print(degree)
        h, w, c = image.shape
        retval = cv2.getRotationMatrix2D((h / 2, w / 2), degree, 0.8)
        image = cv2.warpAffine(image, retval, (w, h), borderValue=(114, 114, 114))
        M11, M12, M13 = retval[0]
        M21, M22, M23 = retval[1]
        x1 = boxes[:, [0]] * M11 + boxes[:, [1]] * M12 + M13  # lt
        y1 = boxes[:, [0]] * M21 + boxes[:, [1]] * M22 + M23

        x2 = boxes[:, [2]] * M11 + boxes[:, [3]] * M12 + M13  # rb
        y2 = boxes[:, [2]] * M21 + boxes[:, [3]] * M22 + M23

        x3 = boxes[:, [0]] * M11 + boxes[:, [3]] * M12 + M13  # lb
        y3 = boxes[:, [0]] * M21 + boxes[:, [3]] * M22 + M23

        x4 = boxes[:, [2]] * M11 + boxes[:, [1]] * M12 + M13  # rt
        y4 = boxes[:, [2]] * M21 + boxes[:, [1]] * M22 + M23

        lx = torch.cat([x1, x2, x3, x4], -1).min(-1)[0]
        ly = torch.cat([y1, y2, y3, y4], -1).min(-1)[0]
        rx = torch.cat([x1, x2, x3, x4], -1).max(-1)[0]
        ry = torch.cat([y1, y2, y3, y4], -1).max(-1)[0]
        boxes = torch.stack([lx, ly, rx, ry], -1)
        boxes[:, ::2].clip_(0, w)
        boxes[:, 1::2].clip_(0, h)
        boxes = boxes.numpy()
        return image, boxes

3. Código de prueba

image = Image.open("test.jpg")  # 读入图片数据
gt_bbox = torch.tensor([[356, 183, 500, 280], [60, 109, 142, 213], [246, 134, 348, 217]])
img = np.asarray(image)
random_obj = RandomRotation()
new, neb = random_obj(img, gt_bbox)
neb = neb.numpy()
print('\n', new.shape, "\n", gt_bbox)
pt0x, pt0y = int(neb[0][0]), int(neb[0][1])
pt1x, pt1y = int(neb[0][2]), int(neb[0][3])
pt2x, pt2y = int(neb[1][0]), int(neb[1][1])
pt3x, pt3y = int(neb[1][2]), int(neb[1][3])
pt4x, pt4y = int(neb[2][0]), int(neb[2][1])
pt5x, pt5y = int(neb[2][2]), int(neb[2][3])
cv2.rectangle(new, (pt0x, pt0y), (pt1x, pt1y), (255, 255, 0), 2)
cv2.rectangle(new, (pt2x, pt2y), (pt3x, pt3y), (255, 0, 0), 2)
cv2.rectangle(new, (pt4x, pt4y), (pt5x, pt5y), (0, 0, 255), 2)
plt.imshow(new)
plt.show()

4. Efectos específicos

---

Resumir

Lo anterior es de lo que hablaré hoy Este artículo solo presenta brevemente el uso de la rotación aleatoria para mejorar los datos de detección de objetivos.