在tensorflow目标检测中使用photoshop完成欠采样？

我目前正在使用Tensorflow训练一个目标检测模型，我遇到了一个问题。我没有足够的样本来有效地训练我的模型，我需要很长时间才能获得更多的样本。我想知道使用photoshop完成剩下的样本是否是一个好主意，或者使用这种方法我会遇到问题吗？

您有很多选择：

OpenCV：

我以前使用的示例代码：

其他：

你可以用tensorflow做DA！更多信息请访问此博客：

---

样品还不够吗？您是否使用了数据增强？这可以很容易地用pythonNo完成，我不熟悉这种技术。你有一个好的模块或脚本我可以使用吗？好的，谢谢，伙计。我的数据集的性质将使我不太可能使用数据增强，因为我真的不需要增加亮度或扭曲图像，但我肯定会在将来检查它。你的答案确实让我相信使用photoshop或类似的技术是个好主意。@MauriceBekambo没问题，希望你实现你想要的| |：：）

import numpy as np
import cv2 as cv
import imutils

def data_augmentation(img, min_rot_angle=-180, max_rot_angle=180, crop_ratio=0.2, smooth_size=3, sharp_val=3, max_noise_scale=10):
    (H, W) = img.shape[:2]
    img_a = img

    all_func = ['flip', 'rotate', 'crop', 'smooth', 'sharp', 'noise']
    do_func = np.random.choice(all_func, size=np.random.randint(1, len(all_func)), replace=False)
    #do_func = ['crop']
    # Filp image, 0: vertically, 1: horizontally
    if 'flip' in do_func:
        img_a = cv.flip(img_a, np.random.choice([0, 1]))
    # Rotate image
    if 'rotate' in do_func:
        rot_ang = np.random.uniform(min_rot_angle, max_rot_angle)
        img_a = imutils.rotate_bound(img_a, rot_ang)
    # Crop image
    if 'crop' in do_func:
        (H_A, W_A) = img_a.shape[:2]
        start_x = np.random.randint(0, int(H_A * crop_ratio))
        start_y = np.random.randint(0, int(W_A * crop_ratio))
        end_x = np.random.randint(int(H_A * (1-crop_ratio)), H_A)
        end_y = np.random.randint(int(W_A * (1-crop_ratio)), W_A)

        img_a = img_a[start_x:end_x, start_y:end_y]
    # Smoothing
    if 'smooth' in do_func:
        img_a = cv.GaussianBlur(img_a, (smooth_size, smooth_size), 0)
    # Sharpening
    if 'sharp' in do_func:
        de_sharp_val = -(sharp_val - 1) / 8
        kernel = np.array([[de_sharp_val]*3, [de_sharp_val, sharp_val, de_sharp_val], [de_sharp_val]*3])
        img_a = cv.filter2D(img_a, -1, kernel)
    # Add the Gaussian noise to the image
    if 'noise' in do_func:
        noise_scale = np.random.uniform(0, max_noise_scale)
        gauss = np.random.normal(0, noise_scale, img_a.size)
        gauss = np.float32(gauss.reshape(img_a.shape[0],img_a.shape[1],img_a.shape[2]))
        img_a = cv.add(img_a,gauss)
    # Keep shape
    img_a = cv.resize(img_a, (W, H))
    return np.float32(img_a)