LabelMe数据增强工具
概述
本仓库提供了一套高效的数据增强解决方案，专为使用LabelMe标注的图像设计。通过简单的步骤，您可以在已有的一张标记好的图像基础上，自动生成包含多种变换效果（如翻转、加噪、模糊、调整曝光等）的图像及相应的JSON标签文件。这套方案极大地扩展了训练数据集的多样性，从而提升深度学习模型，如Mask R-CNN、Faster R-CNN等，在目标检测与分割任务中的性能。
功能特点
- 单一到多变：只需提供一张由LabelMe工具完成标注的图片（.png + .json），即可批量生成20张经过不同数据增强处理的新图像及其标签。
- 丰富变换：支持包括水平/垂直翻转、随机噪声添加、图像模糊、曝光度调整等多种常见的数据增强技术。
- 无缝对接COCO格式：提供脚本将增强后的数据集转换成COCO数据集格式，便于直接用于主流的目标检测与实例分割框架。
- 简易操作：整个流程基于Python脚本执行，无需复杂的配置，适用于快速扩增训练数据集。
使用步骤
准备工作
确保您的环境中已安装Python以及相关依赖库，如Pillow, numpy, labelme等。
-
下载仓库：首先，克隆或下载此仓库到本地。
-
安装依赖：如果需要，可以通过pip安装必要的库，例如：
pip install -r requirements.txt
数据增强
-
放置初始标注文件：确保你的原始
.png和.json文件位于合适的位置。 -
运行数据增强脚本： 在终端中，定位到脚本所在目录并执行以下命令来生成增强图像及标签：
python a.py这将会根据初始标签生成20张增强后的图像及对应JSON文件。
转换为COCO格式
如果您希望将这些增强后的数据集转换为COCO格式，以便于在相应框架下使用，执行以下命令：
python labelme2COCO.py
这一步骤会生成COCO标准的数据结构，包括images、annotations和categories等文件夹或文件。
注意事项
- 确保在执行脚本前备份原始数据，以防意外覆盖。
- 根据实际需求，您可能需要对脚本进行适当的修改以适应特定的项目设置。
通过以上步骤，您可以有效扩展和优化您的机器学习模型训练数据，提高模型的泛化能力。希望这个工具能为您的计算机视觉项目带来便利。