YOLOv8实例分割（多边形标注）位置数据增强技术问询

一、直接用YOLOv8内置增强（最简便） #

YOLOv8的ultralytics库原生支持多边形标注（格式为每行class_id x1 y1 x2 y2 ... xn yn）的自动增强，无需手动修改坐标。只需在训练时配置对应参数即可：

• 训练命令中直接指定增强：

  yolo segment train data=your_data.yaml model=yolov8n-seg.pt epochs=100 augment=True
  

• 也可在your_data.yaml中定制增强细节：

  augment:
    rotate: 0.5       # 最大旋转弧度（≈28.6度）
    flipud: 0.5       # 上下翻转概率
    fliplr: 0.5       # 左右翻转概率
    scale: 0.5        # 缩放范围（原图的0.5-1.5倍）
    translate: 0.1    # 平移范围（相对图像尺寸的比例）
  

YOLOv8会自动同步处理图像和多边形坐标，所有旋转、翻转、缩放、平移操作都会实时映射到标注点上。

二、自定义增强脚本（灵活控制） #

如果需要更定制化的逻辑，可使用Albumentations库实现图像与多边形坐标的同步变换：

1. 安装依赖：

   pip install albumentations opencv-python
   

2. 单样本处理示例脚本：

   import cv2
   import albumentations as A
   import numpy as np
   
   # 加载图像和标注（假设标注为相对坐标）
   img = cv2.imread("sample.jpg")
   h, w = img.shape[:2]
   with open("sample_label.txt", "r") as f:
       label_lines = f.readlines()
   
   # 定义增强流水线
   transform = A.Compose([
       A.RandomRotate90(p=0.5),
       A.HorizontalFlip(p=0.5),
       A.VerticalFlip(p=0.5),
       A.RandomScale(scale_limit=0.5, p=0.5),
       A.ShiftScaleRotate(shift_limit=0.1, scale_limit=0.2, rotate_limit=30, p=0.5)
   ], keypoint_params=A.KeypointParams(format='xy', remove_invisible=False))
   
   # 处理标注并生成增强结果
   augmented_labels = []
   for line in label_lines:
       parts = list(map(float, line.strip().split()))
       cls_id = parts[0]
       # 相对坐标转绝对坐标
       abs_points = np.array([(parts[i]*w, parts[i+1]*h) for i in range(1, len(parts), 2)], dtype=np.float32)
       # 应用增强
       result = transform(image=img, keypoints=abs_points)
       # 绝对坐标转回相对坐标
       aug_w, aug_h = result['image'].shape[1], result['image'].shape[0]
       rel_points = []
       for (x, y) in result['keypoints']:
           rel_points.append(x/aug_w)
           rel_points.append(y/aug_h)
       # 拼接成YOLO格式标注行
       augmented_labels.append(f"{int(cls_id)} " + " ".join(map(str, rel_points)))
   
   # 保存增强后的图像和标注
   cv2.imwrite("aug_sample.jpg", result['image'])
   with open("aug_sample_label.txt", "w") as f:
       f.write("\n".join(augmented_labels))
   

   若标注为绝对坐标，可直接跳过坐标转换步骤。

三、关键注意事项 #

• 确保标注点为闭合多边形的有序点集，无需重复首尾点；
• 增强时可通过border_mode=cv2.BORDER_CONSTANT处理边界问题，或用A.CropNonEmptyMaskIfExists过滤无效标注；
• 可将脚本扩展为批量处理循环，遍历整个数据集自动生成增强样本。

内容的提问来源于stack exchange，提问作者Abdullah Saatçi