安装

相册需要 Python 3.7 或更高版本。从 PyPI 安装最新版本：

pip install -U albumentations

文档中描述了其他安装选项。

文档

完整文档可在https://albumentations.ai/docs/获得。

一个简单的例子

import albumentations as A
import cv2

# Declare an augmentation pipeline
transform = A.Compose([
    A.RandomCrop(width=256, height=256),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
])

# Read an image with OpenCV and convert it to the RGB colorspace
image = cv2.imread("image.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# Augment an image
transformed = transform(image=image)
transformed_image = transformed["image"]

入门

我是图像增强的新手

请从有关为什么图像增强很重要以及它如何帮助构建更好的模型的介绍文章开始。

我想将 Albumentations 用于特定任务，例如分类或分割

如果您想将 Albumentations 用于特定任务，例如分类、分割或对象检测，请参阅深入描述此任务的文章集。我们还有一个针对不同用例应用 Albumentations 的示例列表。

我想知道如何将 Albumentations 与深度学习框架一起使用

我们有使用 Albumentations以及 PyTorch 和 TensorFlow 的示例。

我想探索增强功能并查看 Albumentations 的实际应用

查看库的在线演示。有了它，您可以将增强应用到不同的图像并查看结果。此外，我们还有所有可用增强及其目标的列表。

谁在使用Albumentations

空间级变换

空间级变换将同时更改输入图像和其他目标，例如蒙版、边界框和关键点。下表显示了每个转换支持哪些附加目标。

再举几个增强的例子

Inria 数据集上的语义分割

医学影像

Mapillary Vistas 数据集上的对象检测和语义分割

关键点增强

基准测试结果

要自己运行基准测试，请按照benchmark/README.md中的说明进行操作

使用英特尔(R) 至强(R) Gold 6140 CPU 在 ImageNet 验证集中的前 2000 张图像上运行基准测试的结果。所有输出都转换为数据类型为 np.uint8 的连续 NumPy 数组。该表显示了单核每秒可以处理多少图像；越高越好。

Python 和库版本：Python 3.9.5（默认，2021 年 6 月 23 日，15:01:51）[GCC 8.3.0]，numpy 1.19.5，pillow-simd 7.0.0.post3，opencv-python 4.5.3.56， scikit 图像 0.18.3，scipy 1.7.1。