水下目标检测之数据集和数据增强方法

通过之前对yolov5的简单学习，发现yolov5的训练和调试都比较方便，因此希望将其运用到水下目标检测的任务中。那么首要任务就是寻找比较合适的数据集作为训练样本，考虑到就少的可怜，此处列举3个针对水下目标检测的数据集。

Real-world Underwater Image Enhancement(RUIE)

大连理工大学的自制数据集，论文，数据集。该数据集的UTTS文件夹有海胆和海参的水下图像共计300张图片（有一张不可用），并配有XML文件省去了标注的过程。

左上为类别分布，由于扇贝类只有2个样本，因此忽略不计；右上为所有box大小的可视化；左下为box中心点的位置分布；右下为box的宽高比例分布。

Aquarium(海生物数据集)

该数据集为roboflow开源数据集，采用的是但需要科学上网，共计640张图片包括了7种海洋生物，此外数据集有做过了旋转和翻转等增强后的版本，增强后共计4670张图片，配备了yolo格式的box文件。

湛江水下目标检测大赛数据集（鹏城汇智）

数据增强方法

YOLO自身搭载了masoic和mixup以及copy_paste这三种数据增强的方法，而对于水下图像还需要对图像进行除雾、明暗调整、色彩还原等操作，使得图片包含的信息更加准确。

defog除雾算法 何恺明的暗通道先验方法，论文，网络上的博客总结很多，具体原理在这里不再赘述，总之暗通道算法实现的效果极佳，但计算速度相对较慢。 clahe限制对比度自适应直方图均衡化 通常应用在医学领域，但本质上是解决亮部和暗部信息不足的问题，因此也适用于水下环境，且集成在了opencv中在YOLO的源码中也很容易被调用，位置在增强工具下的hist_equalize方法。论文。 Retinex图像增强算法 物体的颜色是由物体对长波（红色）、中波（绿色）、短波（蓝色）光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性（颜色恒常性）为基础的，具体理论可以参考。 GAN对抗神经网络 对于水下色彩还原分为两种方法，第一种是基于传统光学原理获取环境信息，通过数学计算还原出原本应有的色彩和图像，而第二种是基于对抗神经网络生成正确色彩的图像。具体可以参考，由于基于GAN的图像增强算法是一个独立领域，在此篇不做深入展开。

还有许多对水下图像处理的方法，可以应用在数据集上进行实验，此处我只使用了前面两种，可能后面会单独补充GAN方法，增强后的效果如下：

代码可以参考