Object-Detection 을 위한 Image Augmentation

객체 인식(Object Detection) 학습 데이터를 늘릴 때 이미지만 변형하면 Bounding Box 좌표가 어긋나는 문제를, 증강 방식별 좌표 계산식으로 정리한 글이다. 특히 회전 변환의 좌표 재계산을 파이썬 코드까지 붙여 다룬다.

핵심 포인트

일반 이미지 증강과 달리 객체 인식은 증강된 이미지에 맞춰 Bounding Box 정보를 다시 잡아 줘야 해서, 이미지와 박스를 함께 증강할 필요가 있다.
좌표계는 라벨링 툴 LabelImg 의 픽셀 좌표 방식을 따른다. 좌상단이 원점(0,0)이고 오른쪽이 x, 아래쪽이 y 다.
Bounding Box 는 좌상단과 우하단 좌표로 위치를 특정한다.
밝기·대비·색 필터 변환은 박스 좌표가 변하지 않으므로 기존 증강 방법을 그대로 써도 되며 이 글에서 다루지 않는다.
회전은 레터박스 같은 빈 영역이 생겨 전체 이미지 크기가 커지고 그에 따라 모든 좌표가 바뀌기 때문에 가장 복잡하다.

상세 정리

크기 변환: 증감 비율을 R 이라 두면 이미지 크기와 Bounding Box 좌표를 같은 비율로 곱해 계산한다.
좌우 반전: 이미지 크기는 그대로이므로 height·width 는 유지되고, x 좌표만 뒤집으며 y_min·y_max 는 동일하다. 상하 반전은 반대로 x 가 고정되고 y 가 바뀐다.
회전 준비: 좌상단 원점 기준으로는 계산이 어려워, 이미지 중앙 (w/2, h/2) 을 원점으로 삼아 네 꼭짓점 좌표를 다시 쓴다. Bounding Box 의 네 모서리도 같은 기준으로 옮긴다.
회전 각도 제약을 명시한다. 너무 큰 각도는 학습에 방해가 되므로 ±5도 이내만 상정한다.
회전 공식: 2차원 평면에서 점을 원점 중심으로 θ 만큼 회전시키는 표준 변환식을 그대로 적용해, 회전된 이미지 크기와 박스 네 점의 좌표를 함께 구한다.
좌표 복원: 변환된 박스 좌표에서 다시 좌상단 원점 기준의 x_min·y_min·x_max·y_max 를 뽑는데, **회전 각도의 부호에 따라 min·max 를 가져올 점이 달라진다**. 반시계는 음수, 시계는 양수 각도로 둔다.
파이썬 구현의 처리 순서: 중심 기준 회전 각도를 ±5도 내에서 랜덤 지정 → 라디안 변환 → 확장된 이미지 영역(re_width, re_height) 계산 → 픽셀 좌표는 정수만 가능하므로 형변환.
박스는 좌상단을 첫 점으로 두고 반시계 방향으로 네 점을 지정한 뒤 회전 좌표를 구한다.
예외 처리: 변환 후 좌표가 이미지 범위를 벗어나지 않도록 조건문으로 잘라 내며, 시계 방향과 반시계 방향 각각에 대해 따로 처리한다.

왜 읽나객체 인식 데이터가 부족해 증강을 붙이려는 사람에게, 이미지와 함께 박스 좌표를 어떻게 다시 계산해야 하는지 수식과 코드로 알려준다.

너드팩토리 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

Object-Detection 을 위한 Image Augmentation

이 글과 비슷한

에이전틱 SDLC를 QA 엔지니어링 마인드셋으로 구축하기

보안 업무를 위한 AI 에이전트 플랫폼 「SAGE」 개발기 1편: 판단은 사람에게 남기는 설계

실리콘투의 사내 지식 MCP 게이트웨이 구축기