Berbagi teknologi

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Peningkatan data

1. Tambahkan kumpulan data yang sudah ada untuk memberikan lebih banyak keragaman, seperti menambahkan kebisingan latar belakang yang berbeda dan mengubah warna dan bentuk gambar.

2. Data yang ditingkatkan dihasilkan secara online

3. Jenis peningkatan:

(1) Balik

(2) Pemotongan

(3) Warna

(4) Pertajam dan tambahkan titik

2. Ringkasan

1. Augmentasi data memperoleh keragaman dengan mengubah bentuk data, sehingga membuat model lebih dapat digeneralisasikan.

2. Peningkatan gambar yang umum mencakup membalik, memotong, dan mengubah warna

3. Ubah saja kumpulan datanya

4. Untuk mendapatkan hasil yang akurat pada saat proses prediksi, biasanya kami hanya melakukan augmentasi gambar pada sampel pelatihan, dan tidak menggunakan augmentasi gambar dengan operasi acak selama proses prediksi.

5. Kerangka pembelajaran mendalam menyediakan banyak metode augmentasi gambar berbeda, yang dapat diterapkan secara bersamaan.

3. Kode

1. Metode augmentasiaug

def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]
    d2l.show_images(Y, num_rows, num_cols, scale=scale)

2. Balik

apply(img, torchvision.transforms.RandomHorizontalFlip())
apply(img, torchvision.transforms.RandomVerticalFlip())

3. Pemotongan

#面积为原始面积10%到100%的区域，宽高比从0.5～2之间随机取值
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

4. Kecerahan

apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))

5. Nada warna

apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

kecerahan(brightness), kontras (contrast),kejenuhan(saturation) dan warna (hue）

6. Campur

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)