cutmix
最后更新
luxonis_ml.data.augmentations.custom.cutmix类
CutMix
bbox_min_visibility 倍,则保留;occluded_bbox_strategy 决定幸存者是保留其完整范围还是被裁剪到补丁未触及的部分。第二个图像中的边界框被裁剪到补丁区域。第一个图像中落在补丁内的关键点被标记为不可见,而第二个图像中落在补丁外的关键点被标记为不可见。方法
init
Python
1def __init__(alpha: float = 1.0, keep_aspect_ratio: bool = True, bbox_min_visibility: float = 0.5, occluded_bbox_strategy: Literal['keep', 'clip'] = 'keep', p: float = 0.5):alpha(float): 对称 Beta(α, α) 分布的正形状参数,用于确定补丁大小。1.0均匀采样;小于1.0的值倾向于非常小或非常大的补丁,而大于1.0的值倾向于中等大小的补丁。keep_aspect_ratio(bool): 调整大小时是否保留第二个图像的纵横比。bbox_min_visibility(float): 第一个图像边界框必须保持可见(在补丁之外)的最小分数,以便保留该框。必须在 [0, 1] 之间。occluded_bbox_strategy(Literal['keep', 'clip']): 如何处理补丁部分覆盖但未隐藏超过bbox_min_visibility的第一个图像框。"keep"将它们保留在其原始范围,理由是对象仍然占据整个框并且只是被覆盖。这是参考实现所做的。"clip"将它们缩小到补丁未触及的最大部分,以便没有框边缘位于补丁之上。将框一分为二的补丁保留两个剩余边中较大的一个。 无论哪种方式,哪个框幸存都由bbox_min_visibility决定;这只会改变幸存者的范围。请注意,"clip"可能会使可见关键点超出其自身现在较小的框。
p(float): 应用转换的概率。
ValueError: 如果alpha不是有限正数,bbox_min_visibility超出 [0, 1],或者occluded_bbox_strategy不是"keep"和"clip"之一。
apply
Python
1def apply(image_batch: list[np.ndarray], image_shapes: list[tuple[int, int]], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:image_batch(list[np.ndarray]): 要转换的图像。每个图像的形状应为 (H, W, C) 或 (H, W)。image_shapes(list[tuple[int, int]]): 原始图像的形状。x1(int): 第一个图像中补丁的左边缘。y1(int): 第一个图像中补丁的上边缘。x2(int): 第一个图像中补丁的右边缘。y2(int): 第一个图像中补丁的下边缘。**_
np.ndarray: 形状为 (Hout, Wout, C) 或 (Hout, Wout) 的单个图像,其中矩形 [y1 : y2, x1 : x2] 被替换为第二个(调整大小的)图像的相应区域。
apply_to_array
Python
1def apply_to_array(array_batch: list[np.ndarray], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:apply_to_bboxes
Python
1def apply_to_bboxes(bboxes_batch: list[np.ndarray], image_shapes: list[tuple[int, int]], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:bbox_min_visibility 时,保留该边界框。第二个图像中的边界框被裁剪到补丁区域。未幸存的框被折叠为零面积而不是被移除,以便返回的行与实例掩码、关键点和元数据保持对齐。BatchCompose 在批次合并后,将折叠的行及其关联的标签一起丢弃。参数bboxes_batch(list[np.ndarray]): 要转换的边界框,采用归一化的 Albumentations 格式。image_shapes(list[tuple[int, int]]): 原始图像形状。x1(int): 第一个图像中补丁的左边缘。y1(int): 第一个图像中补丁的上边缘。x2(int): 第一个图像中补丁的右边缘。y2(int): 第一个图像中补丁的下边缘。**_
np.ndarray: 来自两个图像的连接边界框。
apply_to_classification
Python
1def apply_to_classification(classification_batch: list[np.ndarray], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:apply_to_instance_mask
Python
1def apply_to_instance_mask(masks_batch: list[np.ndarray], image_shapes: list[tuple[int, int]], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:masks_batch(list[np.ndarray]): 要转换的掩码。每个掩码的形状应为 (H, W, N),其中 N 是实例数。image_shapes(list[tuple[int, int]]): 原始图像的形状。x1(int): 第一个图像中补丁的左边缘。y1(int): 第一个图像中补丁的上边缘。x2(int): 第一个图像中补丁的右边缘。y2(int): 第一个图像中补丁的下边缘。**_
np.ndarray: 形状为 (Hout, Wout, N1 + N2) 的连接实例掩码。第一个图像实例的补丁区域被清除;第二个图像实例的补丁外部的所有内容被清除。
apply_to_keypoints
Python
1def apply_to_keypoints(keypoints_batch: list[np.ndarray], image_shapes: list[tuple[int, int]], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:keypoints_batch(list[np.ndarray]): 要转换的关键点。image_shapes(list[tuple[int, int]]): 原始图像形状。x1(int): 第一个图像中补丁的左边缘。y1(int): 第一个图像中补丁的上边缘。x2(int): 第一个图像中补丁的右边缘。y2(int): 第一个图像中补丁的下边缘。**_
np.ndarray: 来自两个图像的连接关键点,可见性标志根据其相对于补丁的位置进行更新。
apply_to_mask
Python
1def apply_to_mask(masks_batch: list[np.ndarray], image_shapes: list[tuple[int, int]], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:masks_batch(list[np.ndarray]): 要转换的掩码。每个掩码的形状应为 (H, W, C) 或 (H, W)。image_shapes(list[tuple[int, int]]): 原始图像的形状。x1(int): 第一个图像中补丁的左边缘。y1(int): 第一个图像中补丁的上边缘。x2(int): 第一个图像中补丁的右边缘。y2(int): 第一个图像中补丁的下边缘。**_
np.ndarray: 形状为 (Hout, Wout, C) 的单个语义分割掩码,其中补丁区域来自第二个(调整大小的)掩码,其余部分来自第一个掩码。
apply_to_metadata
Python
1def apply_to_metadata(metadata_batch: list[np.ndarray], x1: int, y1: int, x2: int, y2: int, **_) -> np.ndarray:get_params
Python
1def get_params(self) -> dict[str, Any]:get_params_dependent_on_data
Python
1def get_params_dependent_on_data(params: dict[str, Any], data: dict[str, Any]) -> dict[str, Any]: