常见的数据集网站

*imagenet

• hugging face

• 自己采集与标注

• 网络爬虫

爬虫工具使用

搜索引起图片爬虫

image-downloader
安装，然后根据关键词检索

视频网站爬虫

工具： iawia lux

数据整理

数据检查和清洗

• 去除不好的损坏的图片： 损坏图片/ 动图/异常尺寸图片

• 去除停用词和特殊符号
  

• 归一化

• 内容纠错
  

数据去重

重复数据
相似数据

数据集划分

• 数据集难度划分

数据标注

数据标注工具 label studio

语音、文本、图片、视频等都可以进行标注

• 导出时会让选择是什么类别的 coco / yolo /…

数据增强

什么是数据增强

数据增广或者数据增扩
作用： 降低数据采集成本 降低过拟合风险
方法： 单样本、多样本、样本生成

单样本数据增强

几何变换： 翻转 、裁剪与缩放、仿射与透射变换
添加噪声 ： 随机噪声、 coaesrDropout 、频域噪声
添加模糊、平滑
颜色扰动，改变颜色、亮度、对比度等
锐化 颜色反转

多样本数据增强

• mixup :对图像和标签都进行线性插值

• cutmix
  直接复制粘贴，作用： 增强样本的数量缓解类别不平衡
  
• mosiac : 多个样本拼接
  

样本生成方法

当下两大主流生成模型：

• 生成对抗网络
• 扩散模型
  

数据增强imgaug

i

imgaug 操作

（添加噪声、压缩）

（删除像素点 删除通道）

imgaug 使用

#coding:utf8
import numpy as np
import imgaug as ia
import imgaug.augmenters as iaaia.seed(1)## 创建矩阵(16, 64, 64, 3).
images = np.array([ia.quokka(size=(64, 64)) for _ in range(16)],  # quokka :小老鼠dtype=np.uint8
)seq = iaa.Sequential([iaa.Fliplr(0.5), ## 以0.5的概率进行水平翻转horizontal flipsiaa.Crop(percent=(0, 0.1)), ## 随机裁剪random crops## 对50%的图片进行高斯模糊，标准差参数取值0～0.5.iaa.Sometimes(0.5,iaa.GaussianBlur(sigma=(0, 0.5))),## 对50%的通道添加高斯噪声iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.05*255), per_channel=0.5),
], random_order=True) ## 以上所有操作，使用随机顺序images_aug = seq(images=images) ## 应用操作增强
grid_image = ia.draw_grid(images_aug,4)import imageio
imageio.imwrite("example.jpg", grid_image)