标签： python image-processing data-augmentation
我想用NG与神经网络进行TTA预测边界框。
因此，在预测时间，假设我将预测图像的10个不同版本（增强），并平均输出。
扩展包括转换，缩放等转换。
一旦对增强图像进行了预测，如何将边界框反向转换回适合原始图像？
例如，如果不适用，则应用1.15的缩放系数，然后将图像向model.predict（...）的左侧左移25 px。然后应首先将输出边界框向右平移25px，并应用1 / 1.15的缩放比例。
如果imgaug尚未实现它，那么拥有扩展历史记录就足够了，以便我的脚本应用边界框