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，考虑到水下图像数据集就少的可怜，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https://arxiv.org/abs/1901.05320，数据集https://github.com/dlut-dimt/Realworld-Underwater-Image-Enhancement-RUIE-Benchmark。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https://universe.roboflow.com/brad-dwyer/aquarium-combined/3，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）
2020水下目标检测算法赛https://code.ihub.org.cn/projects/1372，和RUIE的图片类似，但共有4类目标物体（海参、海胆、扇贝和海星）共计5544张图片，并配有xml文件但缺少了图片的size信息。
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http://kaiminghe.com/publications/cvpr09.pdf，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
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https://www.cs.unc.edu/techreports/90-035.pdf。 -
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。具体可以参考这篇博客，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：
原图
除雾
直方图均衡
除雾加直方图均衡