Я ответил на аналогичный вопрос здесь .
Вы можете использовать тестовый скрипт, предоставленный API, и внести некоторые изменения в соответствии с вашими потребностями.
Я написал небольшой тестовый скрипт под названием augmentation_test.py
. Он позаимствовал некоторый код из input_test.py
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import functools
import os
from absl.testing import parameterized
import numpy as np
import tensorflow as tf
from scipy.misc import imsave, imread
from object_detection import inputs
from object_detection.core import preprocessor
from object_detection.core import standard_fields as fields
from object_detection.utils import config_util
from object_detection.utils import test_case
FLAGS = tf.flags.FLAGS
class DataAugmentationFnTest(test_case.TestCase):
def test_apply_image_and_box_augmentation(self):
data_augmentation_options = [
(preprocessor.random_horizontal_flip, {
})
]
data_augmentation_fn = functools.partial(
inputs.augment_input_data,
data_augmentation_options=data_augmentation_options)
tensor_dict = {
fields.InputDataFields.image:
tf.constant(imread('lena.jpeg').astype(np.float32)),
fields.InputDataFields.groundtruth_boxes:
tf.constant(np.array([[.5, .5, 1., 1.]], np.float32))
}
augmented_tensor_dict =
data_augmentation_fn(tensor_dict=tensor_dict)
with self.test_session() as sess:
augmented_tensor_dict_out = sess.run(augmented_tensor_dict)
imsave('lena_out.jpeg',augmented_tensor_dict_out[fields.InputDataFields.image])
if __name__ == '__main__':
tf.test.main()
Вы можете поместить этот скрипт в models/research/object_detection/
и просто запустить его с python augmentation_test.py
(Конечно, сначала вам нужно установить API). Для успешного запуска вы должны предоставить любое имя изображения «lena.jpeg», а выходное изображение после увеличения будет сохранено как «lena_out.jpeg».
Я запустил его с изображением «lena», и вот результат до увеличения и после увеличения.
.
Обратите внимание, что я использовал preprocessor.random_horizontal_flip
в скрипте. И результат показал точно, как выглядит входное изображение после random_horizontal_flip
. Чтобы проверить его с другими опциями дополнения, вы можете заменить random_horizontal_flip
другими методами (которые определены в preprocessor.py ), все, что вы можете добавить другие опции в список data_augmentation_options
, например :
data_augmentation_options = [(preprocessor.resize_image, {
'new_height': 20,
'new_width': 20,
'method': tf.image.ResizeMethod.NEAREST_NEIGHBOR
}),(preprocessor.random_horizontal_flip, {
})]