Implementando Albumentation en object detection

Clase 13 de 31 • Curso de Detección y Segmentación de Objetos con TensorFlow

Raul Ernesto Almao Alvarado

student•

hola buenas noches, me sale este error, alguien me puede ayudar= saludos y feliz noche para todos

module 'albumentations' has no attribute 'HorizontalFlip'

Sergio Paniego

teacher•

Hola!

El error indica que no se encuenta el componente de HorizontalFlip. Te recomiendo revisar que esté instalado el módulo de albumentations correctamente. Para revisarlo, puedes ejecutar dentro del notebook de Google Colab:

!pip show albumentations

En caso de que no esté instalada, se puede instalar con:

!pip install albumentations==1.2.0

En la documentación de Albumentations (https://albumentations.ai/docs/api_reference/augmentations/geometric/transforms/#albumentations.augmentations.geometric.transforms.HorizontalFlip), puedes ver más detalles sobre el uso de este método.

Para utilizarlo:

import albumentations as A
...
A.HorizontalFlip(p=0.8)
...

Espero que te sirva de ayuda! Sergio

MICHAEL LEONARDO AGUAS MURILLO

student•

Hola muy buenas tardes.transforms = A.Compose([ A.HorizontalFlip(p = 0.8), A.RandomBrightnessContrast(p = 0.8)], bbox_params = A.BboxParams(format = 'albumentations'))

Asegúrate de tener el código bien escrito.

Me funcionó con la última versión de Albumentation (1.4.10) hasta la fecha.

transforms = A.Compose([
    A.HorizontalFlip(p = 0.8),
    A.RandomBrightnessContrast(p = 0.8)
], bbox_params = A.BboxParams(format = 'albumentations'))

María Camila Durango Barrera

teacher•

min 6:42 se cambia las posiciones del bbox para tener [ymin, xmin, ymax, xmax] ???

Sergio Paniego

teacher•

Hola!

Cambiamos las posiciones para ajustarnos al formato que espera de entrada albumentations. Te recomiendo echar un vistazo a la documentación para conocer más sobre los diferentes formatos que soporta: .

Un saludo

Mario Alexander Vargas Celis

student•

Aquí tienes un ejemplo detallado de cómo implementar Albumentations en un flujo de trabajo de detección de objetos. Este código simula la preparación y aumento de datos en un conjunto de datos de detección de objetos, aplicando transformaciones y asegurando que las bounding boxes se ajusten correctamente.

### Paso a Paso para Implementar Albumentations en Detección de Objetos

1. **Definir Transformaciones de Aumento**: Configura varias transformaciones de Albumentations que aplicaremos a las imágenes y a sus bounding boxes.

2. **Aplicar Transformaciones a Cada Imagen**: Usa un bucle para procesar cada imagen en el conjunto de datos, aplicando las transformaciones y manteniendo las etiquetas de las cajas delimitadoras.

3. **Visualizar**: Muestra las imágenes con bounding boxes para verificar el resultado.

### Ejemplo de Código


import albumentations as A

import cv2

import matplotlib.pyplot as plt

import numpy as np



\# Configuración de transformaciones de Albumentations

transform = A.Compose(\[

&#x20;   A.HorizontalFlip(p=0.5),

&#x20;   A.VerticalFlip(p=0.5),

&#x20;   A.RandomBrightnessContrast(p=0.2),

&#x20;   A.Rotate(limit=30, p=0.5),

&#x20;   A.RandomSizedBBoxSafeCrop(width=256, height=256, p=0.5),

&#x20;   A.Resize(width=300, height=300)

], bbox\_params=A.BboxParams(format='pascal\_voc', label\_fields=\['category\_ids']))



\# Ejemplo de imagen y bounding boxes en formato Pascal VOC (x\_min, y\_min, x\_max, y\_max)

image = cv2.imread('ruta/a/imagen.jpg')  # Reemplaza con la ruta de tu imagen

image = cv2.cvtColor(image, cv2.COLOR\_BGR2RGB)  # Convertir de BGR a RGB si es necesario



\# Definir bounding boxes y etiquetas de categorías

bboxes = \[\[30, 40, 200, 210], \[50, 90, 150, 170]]  # Bounding boxes de ejemplo

category\_ids = \[1, 2]  # Etiquetas de las clases correspondientes



\# Aplicar las transformaciones a la imagen y bounding boxes

augmented = transform(image=image, bboxes=bboxes, category\_ids=category\_ids)

augmented\_image = augmented\['image']

augmented\_bboxes = augmented\['bboxes']



\# Función para visualizar la imagen con bounding boxes

def visualize\_bbox(img, bboxes, category\_ids, category\_id\_to\_name):

&#x20;   fig, ax = plt.subplots(1, 1, figsize=(8, 8))

&#x20;   ax.imshow(img)

&#x20;   for bbox, cat\_id in zip(bboxes, category\_ids):

&#x20;       x\_min, y\_min, x\_max, y\_max = bbox

&#x20;       rect = plt.Rectangle((x\_min, y\_min), x\_max - x\_min, y\_max - y\_min,&#x20;

&#x20;                            linewidth=2, edgecolor='r', facecolor='none')

&#x20;       ax.add\_patch(rect)

&#x20;       ax.text(x\_min, y\_min - 5, category\_id\_to\_name\[cat\_id], color='red',&#x20;

&#x20;               fontsize=12, backgroundcolor='white')

&#x20;   plt.axis('off')

&#x20;   plt.show()



\# Diccionario para convertir IDs de categorías a nombres (opcional)

category\_id\_to\_name = {1: 'Clase 1', 2: 'Clase 2'}



\# Visualizar imagen aumentada con bounding boxes

visualize\_bbox(augmented\_image, augmented\_bboxes, category\_ids, category\_id\_to\_name)

### Explicación del Código

- **Transformaciones**: Las transformaciones aplicadas incluyen rotaciones, volteos, ajuste de brillo y contraste, y un recorte seguro (mantiene las bounding boxes).

- **Bounding Boxes**: A.BboxParams se configura con el formato 'pascal\_voc' para que Albumentations interprete las cajas correctamente. Además, label\_fields=\['category\_ids'] asegura que las etiquetas de clase se mantengan junto a las bounding boxes.

- **Visualización**: La función visualize\_bbox dibuja las bounding boxes en la imagen aumentada y, opcionalmente, muestra la clase en cada una. Esto es útil para verificar que las transformaciones mantengan la integridad de las etiquetas.

### Notas

1. **Formato de Bounding Boxes**: Albumentations admite varios formatos de bounding boxes ('pascal\_voc', 'coco', 'yolo'). Asegúrate de usar el que corresponda a tu dataset.

2. **Uso en Lote**: Este código procesa una sola imagen, pero puedes integrarlo en un bucle para aplicarlo a todo un lote o conjunto de datos.

Este pipeline facilita la creación de variaciones en los datos de entrenamiento, lo que ayuda a mejorar la generalización del modelo en tareas de detección de objetos.

import albumentations as A

import cv2

import matplotlib.pyplot as plt

import numpy as np

\# Configuración de transformaciones de Albumentations

transform = A.Compose(\[

&#x20;   A.HorizontalFlip(p=0.5),

&#x20;   A.VerticalFlip(p=0.5),

&#x20;   A.RandomBrightnessContrast(p=0.2),

&#x20;   A.Rotate(limit=30, p=0.5),

&#x20;   A.RandomSizedBBoxSafeCrop(width=256, height=256, p=0.5),

&#x20;   A.Resize(width=300, height=300)

], bbox\_params=A.BboxParams(format='pascal\_voc', label\_fields=\['category\_ids']))

\# Ejemplo de imagen y bounding boxes en formato Pascal VOC (x\_min, y\_min, x\_max, y\_max)

image = cv2.imread('ruta/a/imagen.jpg')  # Reemplaza con la ruta de tu imagen

image = cv2.cvtColor(image, cv2.COLOR\_BGR2RGB)  # Convertir de BGR a RGB si es necesario

\# Definir bounding boxes y etiquetas de categorías

bboxes = \[\[30, 40, 200, 210], \[50, 90, 150, 170]]  # Bounding boxes de ejemplo

category\_ids = \[1, 2]  # Etiquetas de las clases correspondientes

\# Aplicar las transformaciones a la imagen y bounding boxes

augmented = transform(image=image, bboxes=bboxes, category\_ids=category\_ids)

augmented\_image = augmented\['image']

augmented\_bboxes = augmented\['bboxes']

\# Función para visualizar la imagen con bounding boxes

def visualize\_bbox(img, bboxes, category\_ids, category\_id\_to\_name):

&#x20;   fig, ax = plt.subplots(1, 1, figsize=(8, 8))

&#x20;   ax.imshow(img)

&#x20;   for bbox, cat\_id in zip(bboxes, category\_ids):

&#x20;       x\_min, y\_min, x\_max, y\_max = bbox

&#x20;       rect = plt.Rectangle((x\_min, y\_min), x\_max - x\_min, y\_max - y\_min,&#x20;

&#x20;                            linewidth=2, edgecolor='r', facecolor='none')

&#x20;       ax.add\_patch(rect)

&#x20;       ax.text(x\_min, y\_min - 5, category\_id\_to\_name\[cat\_id], color='red',&#x20;

&#x20;               fontsize=12, backgroundcolor='white')

&#x20;   plt.axis('off')

&#x20;   plt.show()

\# Diccionario para convertir IDs de categorías a nombres (opcional)

category\_id\_to\_name = {1: 'Clase 1', 2: 'Clase 2'}

\# Visualizar imagen aumentada con bounding boxes

visualize\_bbox(augmented\_image, augmented\_bboxes, category\_ids, category\_id\_to\_name)

Implementando Albumentation en object detection

Introducción a Computer Vision

¿Qué es la visión computarizada y cuáles son sus tipos?

Detección de objetos

Introducción a object detection: sliding window y bounding box

Generando video de sliding window

Introducción a object detection: backbone, non-max suppression y métricas

Visualización de IoU en object detection

Tipos de arquitecturas en detección de objetos

Arquitecturas relevantes en object detection

Utilizando un dataset de object detection

Carga de dataset de object detection

Exploración del dataset de object detection

Visualización de bounding boxes en el dataset de object detection

Aumentado de datos con Albumentation

Implementando Albumentation en object detection

Visualizando imágenes con aumentado de datos

Utilizando un modelo de object detection pre-entrenado

Probar detección de objetos con modelo pre-entrenado

Fine-tuning en detección de objetos

Fine-tuning en detección de objetos: carga de datos

Fine-tuning en detección de objetos: data augmentation

Fine-tuning en detección de objetos: entrenamiento

Fine-tuning en detección de objetos: visualización de objetos

Segmentación de objetos

Introduciendo la segmentación de objetos

Tipos de segmentación y sus arquitecturas relevantes

¿Cómo es un dataset de segmentación?

Utilizando un dataset de segmentación de objetos

Visualización de nuestro dataset de segmentación

Creando red neuronal U-Net para segmentación

Entrenando y estudiando una red de segmentación

Generando predicciones con modelo de object segmentation

Un paso más allá

El estado de la cuestión en computer vision

Comparte tu proyecto de detección y segmentación de objetos para conducción autónoma y certifícate