让 ChatGPT 设计图像增强时，先把标签格式和检查方法写清楚。检测图片翻转了而标注框没变，训练样本就会错位。这里用一个自制绿色矩形图，核对水平翻转后的检测框；它是独立验证示例，不是实际向 ChatGPT 提问后获得的回复。
先给出明确的输入契约
在 ChatGPT 新对话中提交以下提示词，先让它给出方案和计算依据，再自行运行代码。不要只说“帮我增强训练数据”。
我在学习目标检测数据增强。输入是高度96、宽度160的图片，
标注框为连续边界xyxy=[30,20,100,80]，右下边界不包含在像素切片中。
请只设计水平翻转：写出变换后的框，解释x1/x2如何变化；
给出Python+OpenCV示例，并加上两次翻转复原图片和框的断言。
标明示例没有训练模型；列出哪些类别不适合做水平翻转。用小矩形验证图片与框同步
python -m pip install opencv-python-headless numpy保存为 verify_flip.py，运行 python verify_flip.py。本地已用 Python 3.11、OpenCV 5.0.0 和 NumPy 2.4.6 运行以下自制示例；没有用增强后的样本训练模型，也没有测试 ChatGPT 账户回答。
import cv2
import numpy as np
h, w = 96, 160
image = np.zeros((h, w, 3), dtype=np.uint8)
box = np.array([30, 20, 100, 80]) # continuous xyxy edges
x1, y1, x2, y2 = box
image[y1:y2, x1:x2] = (0, 200, 0)
flipped = cv2.flip(image, 1)
new_box = np.array([w-x2, y1, w-x1, y2])
nx1, ny1, nx2, ny2 = new_box
assert (flipped[ny1:ny2, nx1:nx2, 1] == 200).all()
assert np.array_equal(cv2.flip(flipped, 1), image)
assert np.array_equal([w-nx2, ny1, w-nx1, ny2], box)
shown = flipped.copy()
cv2.rectangle(shown, (nx1, ny1), (nx2-1, ny2-1), (0, 0, 255), 1)
assert cv2.imwrite("augmentation_original.png", image)
assert cv2.imwrite("augmentation_flipped.png", shown)
print("original_box", box.tolist(), "flipped_box", new_box.tolist())核对公式与实际图片
宽度为 W 的连续框边界，水平翻转后的 x1=W−原x2，x2=W−原x1，y 不变。本例应得到 [60,20,130,80]，两次翻转后图片和框都回到原值。
打开 augmentation_flipped.png，检查红框与绿色区域边界对齐；框的右下角绘制时减一，是因为数组切片的终止边界不包含在像素中。不要把像素中心的 W−1−x 公式混用成框边界公式。
增强是否符合真实任务
文字、交通标志方向、左右手类别或固定设备布局可能在翻转后改变含义。先检查增强会不会改变类别或业务语义，再决定是否加入训练流程；不能因为断言通过就认定增强有益。
真实数据还要同步变换所有框、掩码或关键点，并保留原图来源和增强参数。同一原图的不同增强版本应放在同一数据划分侧，避免训练和测试互相泄漏。
资料与适用范围
本文依据 2026 年 10 月 1 日读取的项目资料编写。安装后请记录实际依赖版本；版本升级时先用小样本核对接口和输出。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/30830.html
