Referencia para ultralytics/data/augment.py
Nota
Este archivo está disponible en https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/data/augment .py. Si detectas algún problema, por favor, ayuda a solucionarlo contribuyendo con una Pull Request 🛠️. ¡Gracias 🙏!
ultralytics.data.augment.BaseTransform
Clase base para las transformaciones de imagen.
Se trata de una clase de transformación genérica que puede ampliarse para necesidades específicas de procesamiento de imágenes. La clase está diseñada para ser compatible tanto con tareas de clasificación como de segmentación semántica.
Métodos:
Nombre | Descripción |
---|---|
__init__ |
Inicializa el objeto TransformaciónBase. |
apply_image |
Aplica la transformación de imagen a las etiquetas. |
apply_instances |
Aplica transformaciones a las instancias de objetos en etiquetas. |
apply_semantic |
Aplica la segmentación semántica a una imagen. |
__call__ |
Aplica todas las transformaciones de etiquetas a una imagen, instancias y máscaras semánticas. |
Código fuente en ultralytics/data/augment.py
__call__(labels)
Aplica todas las transformaciones de etiquetas a una imagen, instancias y máscaras semánticas.
__init__()
apply_image(labels)
apply_instances(labels)
ultralytics.data.augment.Compose
Clase para componer múltiples transformaciones de imagen.
Código fuente en ultralytics/data/augment.py
__call__(data)
__getitem__(index)
Recupera una transformación concreta o un conjunto de transformaciones utilizando la indexación.
Código fuente en ultralytics/data/augment.py
__init__(transforms)
__repr__()
__setitem__(index, value)
Recupera una transformación concreta o un conjunto de transformaciones utilizando la indexación.
Código fuente en ultralytics/data/augment.py
append(transform)
insert(index, transform)
ultralytics.data.augment.BaseMixTransform
Clase para transformaciones de mezcla base (MixUp/Mosaico).
Esta implementación es de mmyolo.
Código fuente en ultralytics/data/augment.py
__call__(labels)
Aplica transformaciones de preprocesamiento y transformaciones de mezcla/mosaico a los datos de las etiquetas.
Código fuente en ultralytics/data/augment.py
__init__(dataset, pre_transform=None, p=0.0)
Inicializa el objeto BaseMixTransform con conjunto de datos, pre_transformación y probabilidad.
ultralytics.data.augment.Mosaic
Bases: BaseMixTransform
Aumento del mosaico.
Esta clase realiza el aumento de mosaico combinando varias (4 ó 9) imágenes en una sola imagen de mosaico. El aumento se aplica a un conjunto de datos con una probabilidad determinada.
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
dataset |
El conjunto de datos sobre el que se aplica el aumento de mosaico. |
|
imgsz |
int
|
Tamaño de la imagen (alto y ancho) tras la canalización en mosaico de una sola imagen. Por defecto 640. |
p |
float
|
Probabilidad de aplicar el aumento de mosaico. Debe estar en el intervalo 0-1. Por defecto es 1,0. |
n |
int
|
El tamaño de la cuadrícula, 4 (para 2x2) o 9 (para 3x3). |
Código fuente en ultralytics/data/augment.py
177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 |
|
__init__(dataset, imgsz=640, p=1.0, n=4)
Inicializa el objeto con un conjunto de datos, tamaño de imagen, probabilidad y borde.
Código fuente en ultralytics/data/augment.py
get_indexes(buffer=True)
Devuelve una lista de índices aleatorios del conjunto de datos.
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.MixUp
Bases: BaseMixTransform
Clase para aplicar el aumento MixUp al conjunto de datos.
Código fuente en ultralytics/data/augment.py
__init__(dataset, pre_transform=None, p=0.0)
Inicializa el objeto MixUp con el conjunto de datos, la pre_transformación y la probabilidad de aplicar MixUp.
ultralytics.data.augment.RandomPerspective
Implementa transformaciones afines y de perspectiva aleatorias en imágenes y sus correspondientes cuadros delimitadores, segmentos y puntos clave. puntos clave. Estas transformaciones incluyen rotación, traslación, escalado y cizallamiento. La clase también ofrece la opción opción de aplicar estas transformaciones condicionalmente con una probabilidad especificada.
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
degrees |
float
|
Rango de grados para rotaciones aleatorias. |
translate |
float
|
Fracción de la anchura y altura totales para la traslación aleatoria. |
scale |
float
|
Intervalo del factor de escala, por ejemplo, un factor de escala de 0,1 permite un redimensionamiento entre 90%-110%. |
shear |
float
|
Intensidad de cizallamiento (ángulo en grados). |
perspective |
float
|
Factor de distorsión de la perspectiva. |
border |
tuple
|
Tupla que especifica el borde del mosaico. |
pre_transform |
callable
|
Una función/transformación para aplicar a la imagen antes de iniciar la transformación aleatoria. |
Métodos:
Nombre | Descripción |
---|---|
affine_transform |
Aplica una serie de transformaciones afines a la imagen. |
apply_bboxes |
Transforma los cuadros delimitadores utilizando la matriz afín calculada. |
apply_segments |
Transforma segmentos y genera nuevas cajas delimitadoras. |
apply_keypoints |
Transforma los puntos clave. |
__call__ |
Método principal para aplicar transformaciones tanto a las imágenes como a sus correspondientes anotaciones. |
box_candidates |
Filtra los cuadros delimitadores que no cumplan determinados criterios tras la transformación. |
Código fuente en ultralytics/data/augment.py
391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 |
|
__call__(labels)
Imágenes y objetivos afines.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
labels |
dict
|
un dictado de |
necesario |
Código fuente en ultralytics/data/augment.py
__init__(degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, border=(0, 0), pre_transform=None)
Inicializa el objeto PerspectivaAleatoria con los parámetros de transformación.
Código fuente en ultralytics/data/augment.py
affine_transform(img, border)
Aplica una secuencia de transformaciones afines centradas en el centro de la imagen.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
img |
ndarray
|
Imagen de entrada. |
necesario |
border |
tuple
|
Dimensiones de los bordes. |
necesario |
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
img |
ndarray
|
Imagen transformada. |
M |
ndarray
|
Matriz de transformación. |
s |
float
|
Factor de escala. |
Código fuente en ultralytics/data/augment.py
apply_bboxes(bboxes, M)
Aplica la afinidad sólo a las cajas b.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
bboxes |
ndarray
|
lista de bboxes, formato xyxy, con forma (num_bboxes, 4). |
necesario |
M |
ndarray
|
matriz afín. |
necesario |
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
new_bboxes |
ndarray
|
bboxes después de affine, [num_bboxes, 4]. |
Código fuente en ultralytics/data/augment.py
apply_keypoints(keypoints, M)
Aplica la afinidad a los puntos clave.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
keypoints |
ndarray
|
puntos clave, [N, 17, 3]. |
necesario |
M |
ndarray
|
matriz afín. |
necesario |
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
new_keypoints |
ndarray
|
puntos clave después de afín, [N, 17, 3]. |
Código fuente en ultralytics/data/augment.py
apply_segments(segments, M)
Aplica afines a segmentos y genera nuevos bboxes a partir de segmentos.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
segments |
ndarray
|
lista de segmentos, [num_muestras, 500, 2]. |
necesario |
M |
ndarray
|
matriz afín. |
necesario |
Devuelve:
Nombre | Tipo | Descripción |
---|---|---|
new_segments |
ndarray
|
lista de segmentos después de afinar, [num_muestras, 500, 2]. |
new_bboxes |
ndarray
|
bboxes después de afín, [N, 4]. |
Código fuente en ultralytics/data/augment.py
box_candidates(box1, box2, wh_thr=2, ar_thr=100, area_thr=0.1, eps=1e-16)
Calcula las cajas candidatas en función de un conjunto de umbrales. Este método compara las características de las casillas antes y después del aumento para decidir si una casilla es candidata a un tratamiento posterior.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
box1 |
ndarray
|
El cuadro delimitador 4,n antes del aumento, representado como [x1, y1, x2, y2]. |
necesario |
box2 |
ndarray
|
La caja delimitadora 4,n tras el aumento, representada como [x1, y1, x2, y2]. |
necesario |
wh_thr |
float
|
El umbral de anchura y altura en píxeles. Por defecto es 2. |
2
|
ar_thr |
float
|
El umbral de relación de aspecto. Por defecto es 100. |
100
|
area_thr |
float
|
El umbral de la relación de áreas. Por defecto es 0,1. |
0.1
|
eps |
float
|
Un valor épsilon pequeño para evitar la división por cero. Por defecto es 1e-16. |
1e-16
|
Devuelve:
Tipo | Descripción |
---|---|
ndarray
|
Una matriz booleana que indica qué casillas son candidatas en función de los umbrales dados. |
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.RandomHSV
Esta clase se encarga de realizar ajustes aleatorios en los canales Tono, Saturación y Valor (HSV) de una imagen.
Los ajustes son aleatorios, pero dentro de los límites establecidos por hgain, sgain y vgain.
Código fuente en ultralytics/data/augment.py
__call__(labels)
Aplica un aumento HSV aleatorio a una imagen dentro de los límites predefinidos.
La imagen modificada sustituye a la imagen original en el dictado de entrada "etiquetas".
Código fuente en ultralytics/data/augment.py
__init__(hgain=0.5, sgain=0.5, vgain=0.5)
Inicializa la clase RandomHSV con ganancias para cada canal HSV.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
hgain |
float
|
Variación máxima del tono. Por defecto es 0,5. |
0.5
|
sgain |
float
|
Variación máxima de la saturación. Por defecto es 0,5. |
0.5
|
vgain |
float
|
Variación máxima del valor. Por defecto es 0,5. |
0.5
|
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.RandomFlip
Aplica un volteo horizontal o vertical aleatorio a una imagen con una probabilidad dada.
Actualiza también cualquier instancia (cuadros delimitadores, puntos clave, etc.) en consecuencia.
Código fuente en ultralytics/data/augment.py
__call__(labels)
Aplica un volteo aleatorio a una imagen y actualiza en consecuencia cualquier instancia, como cuadros delimitadores o puntos clave.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
labels |
dict
|
Un diccionario que contiene las claves 'img' e 'instancias'. img' es la imagen que se va a voltear. instancias' es un objeto que contiene cajas delimitadoras y, opcionalmente, puntos clave. |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
dict
|
Lo mismo dicta con la imagen volteada y las instancias actualizadas bajo las claves 'img' e 'instancias'. |
Código fuente en ultralytics/data/augment.py
__init__(p=0.5, direction='horizontal', flip_idx=None)
Inicializa la clase RandomFlip con probabilidad y dirección.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
p |
float
|
La probabilidad de aplicar el volteo. Debe estar entre 0 y 1. Por defecto es 0,5. |
0.5
|
direction |
str
|
La dirección para aplicar el volteo. Debe ser "horizontal" o "vertical". Por defecto es "horizontal". |
'horizontal'
|
flip_idx |
array - like
|
Asignación de índices para voltear los puntos clave, si existe. |
None
|
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.LetterBox
Redimensiona la imagen y el relleno para la detección, la segmentación de instancias y la pose.
Código fuente en ultralytics/data/augment.py
__call__(labels=None, image=None)
Devuelve las etiquetas actualizadas y la imagen con el borde añadido.
Código fuente en ultralytics/data/augment.py
__init__(new_shape=(640, 640), auto=False, scaleFill=False, scaleup=True, center=True, stride=32)
Inicializa el objeto Buzón con parámetros específicos.
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.CopyPaste
Implementa el aumento Copiar-Pegar descrito en el documento https://arxiv.org/abs/2012.07177. Esta clase es responsable de aplicar el aumento Copy-Paste a las imágenes y a sus instancias correspondientes.
Código fuente en ultralytics/data/augment.py
__call__(labels)
Aplica el aumento Copiar-Pegar a la imagen y a las instancias dadas.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
labels |
dict
|
Un diccionario que contiene: - 'img': La imagen a aumentar. - 'cls': Las etiquetas de clase asociadas a las instancias. - 'instancias': Objeto que contiene cajas delimitadoras y, opcionalmente, puntos clave y segmentos. |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
dict
|
Dict con imagen aumentada e instancias actualizadas bajo las claves 'img', 'cls' e 'instancias'. |
Notas
- Se espera que las instancias tengan "segmentos" como uno de sus atributos para que funcione este aumento.
- Este método modifica el diccionario de entrada "etiquetas" en su lugar.
Código fuente en ultralytics/data/augment.py
__init__(p=0.5)
Inicializa la clase CopyPaste con una probabilidad dada.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
p |
float
|
La probabilidad de aplicar el aumento Copiar-Pegar. Debe estar entre 0 y 1. Por defecto es 0,5. |
0.5
|
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.Albumentations
Transformaciones de las albumentaciones.
Opcional, desinstala el paquete para desactivarlo. Aplica Desenfoque, Desenfoque medio, convertir a escala de grises, Contraste limitado adaptativo ecualización de histograma, cambio aleatorio de brillo y contraste, RandomGamma y reducción de la calidad de imagen por compresión.
Código fuente en ultralytics/data/augment.py
__call__(labels)
Genera detecciones de objetos y devuelve un diccionario con los resultados de la detección.
Código fuente en ultralytics/data/augment.py
__init__(p=1.0)
Inicializa el objeto de transformación para los parámetros con formato YOLO bbox.
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.Format
Formatea anotaciones de imágenes para tareas de detección de objetos, segmentación de instancias y estimación de poses. La clase
estandariza las anotaciones de imágenes e instancias que utilizará la clase collate_fn
en PyTorch DataLoader.
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
bbox_format |
str
|
Formato de las cajas delimitadoras. Por defecto es 'xywh'. |
normalize |
bool
|
Si se normalizan los cuadros delimitadores. Por defecto es Verdadero. |
return_mask |
bool
|
Devuelve máscaras de instancia para la segmentación. Por defecto es Falso. |
return_keypoint |
bool
|
Devuelve los puntos clave para la estimación de la pose. Por defecto es Falso. |
mask_ratio |
int
|
Relación de reducción de la muestra de las máscaras. Por defecto es 4. |
mask_overlap |
bool
|
Si se solapan las máscaras. Por defecto es Verdadero. |
batch_idx |
bool
|
Mantener índices por lotes. Por defecto es Verdadero. |
bgr |
float
|
La probabilidad de devolver imágenes BGR. Por defecto es 0,0. |
Código fuente en ultralytics/data/augment.py
919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 |
|
__call__(labels)
Devuelve la imagen formateada, las clases, las cajas delimitadoras y los puntos clave que utilizará 'collate_fn'.
Código fuente en ultralytics/data/augment.py
__init__(bbox_format='xywh', normalize=True, return_mask=False, return_keypoint=False, return_obb=False, mask_ratio=4, mask_overlap=True, batch_idx=True, bgr=0.0)
Inicializa la clase Formato con los parámetros dados.
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.RandomLoadText
Toma muestras aleatorias de textos positivos y negativos y actualiza los índices de clase en función del número de muestras.
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
prompt_format |
str
|
Formato del mensaje. Por defecto es '{}'. |
neg_samples |
tuple[int]
|
Un guardabosques para muestrear aleatoriamente textos negativos, Por defecto es (80, 80). |
max_samples |
int
|
El número máximo de muestras de texto diferentes en una imagen, Por defecto es 80. |
padding |
bool
|
Si se rellenan los textos con un máximo de muestras. Por defecto es Falso. |
padding_value |
str
|
El texto de relleno. Por defecto es "". |
Código fuente en ultralytics/data/augment.py
1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 |
|
__call__(labels)
Devuelve las clases y textos actualizados.
Código fuente en ultralytics/data/augment.py
__init__(prompt_format='{}', neg_samples=(80, 80), max_samples=80, padding=False, padding_value='')
Inicializa la clase RandomLoadText con los parámetros dados.
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.ClassifyLetterBox
YOLOv8 Clase LetterBox para el preprocesamiento de imágenes, diseñada para formar parte de una cadena de transformación, p. ej, T.Componer([LetterBox(tamaño), ToTensor()]).
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
h |
int
|
Altura objetivo de la imagen. |
w |
int
|
Anchura objetivo de la imagen. |
auto |
bool
|
Si es Verdadero, resuelve automáticamente el lado corto utilizando la zancada. |
stride |
int
|
El valor de la zancada, utilizado cuando "auto" es Verdadero. |
Código fuente en ultralytics/data/augment.py
__call__(im)
Cambia el tamaño de la imagen y la rellena con un método letterbox.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
im |
ndarray
|
La imagen de entrada como una matriz numpy de forma HWC. |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
ndarray
|
La imagen recuadrada y redimensionada como una matriz numpy. |
Código fuente en ultralytics/data/augment.py
__init__(size=(640, 640), auto=False, stride=32)
Inicializa la clase ClassifyLetterBox con un tamaño objetivo, un auto-flag y un stride.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
size |
Union[int, Tuple[int, int]]
|
Las dimensiones objetivo (alto, ancho) para el buzón. |
(640, 640)
|
auto |
bool
|
Si es Verdadero, calcula automáticamente el lado corto basándose en la zancada. |
False
|
stride |
int
|
El valor de la zancada, utilizado cuando "auto" es Verdadero. |
32
|
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.CenterCrop
YOLOv8 Clase CenterCrop para el preprocesamiento de imágenes, diseñada para formar parte de una cadena de transformación, p. ej, T.Componer([RecorteCentral(tamaño), ToTensor()]).
Código fuente en ultralytics/data/augment.py
__call__(im)
Redimensiona y recorta el centro de la imagen utilizando un método letterbox.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
im |
ndarray
|
La imagen de entrada como una matriz numpy de forma HWC. |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
ndarray
|
La imagen recortada por el centro y redimensionada como una matriz numpy. |
Código fuente en ultralytics/data/augment.py
__init__(size=640)
ultralytics.data.augment.ToTensor
YOLOv8 Clase ToTensor para el preprocesamiento de imágenes, es decir, T.Compose([LetterBox(tamaño), ToTensor()]).
Código fuente en ultralytics/data/augment.py
__call__(im)
Transforma una imagen de una matriz numpy a PyTorch tensor , aplicando media precisión y normalización opcionales.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
im |
ndarray
|
Imagen de entrada como matriz numpy con forma (H, W, C) en orden BGR. |
necesario |
Devuelve:
Tipo | Descripción |
---|---|
Tensor
|
La imagen transformada como PyTorch tensor en float32 o float16, normalizada a [0, 1]. |
Código fuente en ultralytics/data/augment.py
__init__(half=False)
ultralytics.data.augment.v8_transforms(dataset, imgsz, hyp, stretch=False)
Convierte las imágenes a un tamaño adecuado para el entrenamiento YOLOv8 .
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.classify_transforms(size=224, mean=DEFAULT_MEAN, std=DEFAULT_STD, interpolation=Image.BILINEAR, crop_fraction=DEFAULT_CROP_FRACTION)
Transformaciones de clasificación para evaluación/inferencia. Inspirado en timm/data/transforms_factory.py.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
size |
int
|
Tamaño de la imagen |
224
|
mean |
tuple
|
valores medios de los canales RGB |
DEFAULT_MEAN
|
std |
tuple
|
valores estándar de los canales RGB |
DEFAULT_STD
|
interpolation |
InterpolationMode
|
Modo de interpolación. Por defecto es T.InterpolationMode.BILINEAR. |
BILINEAR
|
crop_fraction |
float
|
fracción de imagen a recortar. por defecto es 1.0. |
DEFAULT_CROP_FRACTION
|
Devuelve:
Tipo | Descripción |
---|---|
Compose
|
torchvision transforma |
Código fuente en ultralytics/data/augment.py
ultralytics.data.augment.classify_augmentations(size=224, mean=DEFAULT_MEAN, std=DEFAULT_STD, scale=None, ratio=None, hflip=0.5, vflip=0.0, auto_augment=None, hsv_h=0.015, hsv_s=0.4, hsv_v=0.4, force_color_jitter=False, erasing=0.0, interpolation=Image.BILINEAR)
Transformaciones de clasificación con aumento para el entrenamiento. Inspirado en timm/data/transforms_factory.py.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
size |
int
|
Tamaño de la imagen |
224
|
scale |
tuple
|
rango de escala de la imagen. por defecto es (0.08, 1.0) |
None
|
ratio |
tuple
|
rango de relación de aspecto de la imagen. por defecto es (3./4., 4./3.) |
None
|
mean |
tuple
|
valores medios de los canales RGB |
DEFAULT_MEAN
|
std |
tuple
|
valores estándar de los canales RGB |
DEFAULT_STD
|
hflip |
float
|
probabilidad de volteo horizontal |
0.5
|
vflip |
float
|
probabilidad de volteo vertical |
0.0
|
auto_augment |
str
|
Política de autoaumento. Puede ser "randaugment", "augmix", "autoaugment" o Ninguna. |
None
|
hsv_h |
float
|
imagen Aumento HSV-Hue (fracción) |
0.015
|
hsv_s |
float
|
imagen Aumento de la saturación HSV (fracción) |
0.4
|
hsv_v |
float
|
imagen Aumento del valor HSV (fracción) |
0.4
|
force_color_jitter |
bool
|
obligar a aplicar la fluctuación de color aunque esté activado el aumento automático |
False
|
erasing |
float
|
probabilidad de borrado aleatorio |
0.0
|
interpolation |
InterpolationMode
|
Modo de interpolación. Por defecto es T.InterpolationMode.BILINEAR. |
BILINEAR
|
Devuelve:
Tipo | Descripción |
---|---|
Compose
|
torchvision transforma |
Código fuente en ultralytics/data/augment.py
1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 |
|