＃ Modify annotation
   new＿boxes＝［］
   for box in gt＿boxes：
       obj＿name ＝ box［0］
       x1 ＝ int（box［1］）
       y1 ＝ int（box［2］）
       x2 ＝ int（box［3］）
       y2 ＝ int（box［4］）
       x1， x2 ＝ x1－x， x2－x
       y1， y2 ＝ y1－y， y2－y
       x1， y1， x2， y2 ＝ x1／scale， y1／scale， x2／scale， y2／scale
       if （x1＜img．shape［1］ and y1＜img．shape［0］） and （x2＞0 and y2＞0）：
           if x1＜0： x1＝0
           if y1＜0： y1＝0
           if x2＞img．shape［1］： x2＝img．shape［1］
           if y2＞img．shape［0］： y2＝img．shape［0］
           new＿boxes．append（［obj＿name， x1， y1， x2， y2］）
   return resized， new＿boxes
CutoutCutout是2017年由Terrance DeVries和Graham W． Taylor在他们的论文中介绍的，是一种简单的正则化技术，在训练过程中随机掩盖输入的正方形区域，可以用来提高卷积神经网络的鲁棒性和整体性能。这种方法不仅非常容易实现，而且表明它可以与现有形式的数据扩充和其他正则化器一起使用，进一步提高模型的性能。论文地址：https：／／arxiv．org／abs／1708．04552与本文一样，我们使用了cutout来提高图像识别（分类）的精度，因此，如果我们将相同的方案部署到目标检测数据集中，可能会导致丢失目标（特别是小目标）的问题。在下图中，删除了剪切区域（黑色区域）内的大量小对象，这不符合数据增强的精神。

为了使这种方式适合对象检测，我们可以做一个简单的修改，而不是仅使用一个遮罩并将其放置在图像中的随机位置，而是随机选择一半的对象，并将裁剪应用于每个目标区域，效果更佳。增强后的图像如下图所示。

Cutout的输出是一个新生成的图像，我们不删除对象或改变图像大小，那么生成的图像的注释就是原始注释。def cutout（img， gt＿boxes， amount＝0．5）：
   ＇＇＇
   ＃＃＃ Cutout ＃＃＃
   img： image
   gt＿boxes： format ［［obj x1 y1 x2 y2］，．．．］
   amount： num of masks ／ num of objects
   ＇＇＇
   out ＝ img．copy（）
   ran＿select ＝ random．sample（gt＿boxes， round（amount＊len（gt＿boxes）））
   for box in ran＿select：
       x1 ＝ int（box［1］）
       y1 ＝ int（box［2］）
       x2 ＝ int（box［3］）
       y2 ＝ int（box［4］）
       mask＿w ＝ int（（x2 － x1）＊0．5）
       mask＿h ＝ int（（y2 － y1）＊0．5）
       mask＿x1 ＝ random．randint（x1， x2 － mask＿w）
       mask＿y1 ＝ random．randint（y1， y2 － mask＿h）
       mask＿x2 ＝ mask＿x1 ＋ mask＿w
       mask＿y2 ＝ mask＿y1 ＋ mask＿h
       cv2．rectangle（out， （mask＿x1， mask＿y1）， （mask＿x2， mask＿y2）， （0， 0， 0）， thickness＝－1）
   return out
ColorJitterColorJitter是另一种简单的图像数据扩充类型，我们随机改变图像的亮度、对比度和饱和度。我相信这个“家伙”很容易被大多数读者理解。