1、资源内容：yolo数据增强、yolo已标注数据集增强、.txt格式数据集增强；包含旋转、平移、翻转、裁剪、调整亮度和增加噪声6中增强方式随 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程思路清晰、注释明细，都经过测试运行成功，功能ok的情况下才上传的。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4、作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java、YOLO算法仿真工作10年；擅长计算机视觉、 目标检测模型、智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验，更多源码，请上博主主页搜索。 -------------------------------------------------------------------------- -

这个资源包含一个为Yolo目标检测模型特别设计的数据增强Python脚本。脚本采用多种数据增强技术，包括图像缩放（保持比例和下降比例）、随机水平和垂直翻转、中心裁剪，以及图像属性（亮度、对比度、饱和度）调整。此外，它还提供了高斯噪声、盐噪声和椒噪声的添加功能，使模型能够更好地处理现实世界中的图像。这些数据增强技术能够显著提高目标检测模型在多样化环境下的准确性和鲁棒性。 这个脚本非常适合机器学习和计算机视觉研究者，尤其是那些使用Yolo进行目标检测的开发者。通过本脚本，用户可以轻松地对他们的数据集进行增强处理，从而提高模型的泛化能力和性能。无论您是深度学习的新手还是经验丰富的研究者，这个资源都是您的理想选择。

使用ESRGAN增强压缩图像的主观质量 0.背景 PyTorch实施压缩图像的主观质量增强。 注意：网络结构，数据集和训练方法与原始论文不同。 随时联系： ryanxingql@gmail.com 。 1.预先要求 1.1。 环境 乌本图20.04 LTS CUDA 10.1 烟火1.6 软件包：TQDM，LMDB，PYYAML，OPENCV-PYTHON，SCIKIT-IMAGE，TENSORBOARDX，LPIPS 假设您已经安装了CUDA 10.1，则： git clone --depth=1 https://github.com/RyanXingQL/SubjectiveQE-ESRGAN cd SubjectiveQE-ESRGAN/ conda create -n esrgan python=3.7 -y conda activate esrgan pytho

这封信提出了对新的光共振的探索，该共振会衰减到成对的夸克，并与高pT光子或射流结合产生。 该数据集由质子-质子碰撞组成，在大强子对撞机上，ATLAS探测器在质心能量为s = 13 TeV的情况下，积分光度为36.1 fb $ ^ {-1} $。 共振候选物被确定为大型大半径射流，其子结构与粒子衰减成一个夸克对一致。 检查候选者的质谱图是否存在高于背景的局部过量。 在数据中未观察到新共振的证据，该新共振用于排除产生疏恐惧轴矢量Z'玻色子。

在浓稀彩色玻璃冷凝方法的框架中，我们研究了在p-A碰撞中产生的颗粒多样性的波动。 我们表明，驱动波动的主要作用是质子波函数中胶子的玻色增强。 我们显式地计算恢复Bose增强效果的力矩生成函数。 我们表明，可以根据复合材料场的Liouville有效作用来理解它，这可以通过质子的波动密度或饱和动量来确定。 结果得出的概率分布非常接近γ分布。 我们还计算了对此分布的第一次校正，这是由于产生的胶子的成对Hanbury Brown-Twiss相关性所致。

当过程由阈值附近产生的带电费米子环所介导时，我们将重新研究一种机制，以增强（伪）标量共振对光子对的衰减宽度。 根据最近的LHC数据的启发，表明在大约750 GeV的双光子光谱中存在过量，我们说明了在750 GeV伪标量玻色子A的情况下这种阈值增强机制，其中双光子衰变是由带电和无色介导的 质量为12MA阈值且衰变宽度小于1 MeV的费米子。 在两个明确的场景中讨论了这种阈值增强的含义：i）最小超对称标准模型，其中A状态是通过顶部夸克介导的胶子聚变过程产生的，并主要通过质量接近12MA的charginos环衰变成光子 ii）两个希格斯二重态模型，其中A通过胶子聚变再次产生，但通过矢量状带电重轻子的环衰变成光子。 在这两种情况下，虽然必须将带电费米子的质量调整为非常接近A共振质量的一半，但如果仅出现抑制的三体衰减通道，自然会获得较小的总宽度。 最后，讨论了其中一些场景对暗物质的影响。

我们提出了一种简单的机制，可以在标准模型（MSSM）的最小超对称扩展范围内，在大型强子对撞机上大量产生具有提高的衰减率的重希格斯玻色子。 在该理论的CP守恒极限中，这样的双光子共振可能是由较重的CP-甚至H玻色子所识别的，其胶子–融合产生和衰变成两个光子的过程通过最夸克最轻的超对称伴侣的环而增强。 当其质量mt–1恰好位于t–1âŽt––1阈值附近时，即mt––1≥12MH。 该方案需要一个相对较低的超对称破坏尺度MS≥1TeV，但是希格西诺质量参数Âμ≥1TeV的值较大，这会导致强Ht–1âŽtË–1耦合。 这些参数可以适应MSSM中观测到的125 GeV h玻色子的质量和类似标准的耦合，同时满足LHC和暗物质搜索的所有其他约束。 双光子速率的其他增强可以通过库仑QCD校正提供，在较小程度上可以通过t–1–Žt––1束缚态的共振贡献来提供。 为了讨论这种情况的特征，我们以质量约为750 GeV的双光子共振为例进行说明，在早期的LHC 13 TeV数据中观察到过量的情况，后来证明是 只是统计上的波动。

AR 增强现实软件开发技术、硬件设备、应用场景到2019年资讯汇总

本项目的功能是对YOLO格式的数据实现数据增强，使用本项目代码可以较快的完成扩充数据集快速扩充的工作，会对图像和标注同时处理。但其也存在一定的问题，例如无法保证处理后的数据一定能跑出更好的效果，处理结束后可能会出现一些损坏的图片（原图过大时）。 但本项目处理后出现的坏图，在YOLOv5中会被识别出来并不做训练，其实对训练影响不大，追求完美的同学可以考虑不使用resize系列的函数，手动剔除坏图，使用其他数据增强项目完成工作等。 使用 1. download本项目到本地(建议下载到有图形界面的操作系统中) 2. 打开DataAugOnDetectin.py 修改 image_path， label_path， save_path 三个参数 ``` image_path = "" # 图片的路径 label_path = "" # 标签文件的路径 save_path = "" # 数据增强的结果保存位置路径 ``` 3. 运行，使用pycharm或spyder等软件运行DataAugOnDetectin.py

计算机视觉模型训练利器，对原始数据进行数据增强，只需要标注原始数据，标签可以随着图像增强一起变化．防止深度学习模型过拟合的最有效的方法