imgaug

收录理由

训练视觉模型时，原始数据集的多样性往往不够，imgaug 就是用来补足这一块的成熟工具。它支持的增强操作很全，从旋转、裁剪这类几何变换，到噪声、对比度、颜色偏移等像素级调整，都能覆盖。更关键的是，它在变换图像的同时会同步更新标注信息，边界框、关键点、多边形、热力图和分割图都不会因为裁剪或翻转而错位，这对目标检测、姿态估计和分割任务尤其重要，因为标注一旦被破坏，模型学到的就是错误的东西。如果你用的是自建的 PyTorch 或 TensorFlow 训练流程，把它当作预处理环节接入即可，不需要改动数据管线。文档写得清楚，用起来也稳定，适合需要可复现、标注对齐的数据扩充场景。