minhas informações de contato
Correspondência[email protected]
2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
1. Aprimoramento de dados
1. Adicione um conjunto de dados existente para fornecer mais diversidade, como adicionar diferentes ruídos de fundo e alterar a cor e a forma da imagem.
2. Dados aprimorados são gerados online
3. Tipo de aprimoramento:
(1) Virar
(2) Corte
(3) Cor
(4) Afie e adicione pontos
2. Resumo
1. O aumento de dados obtém diversidade ao deformar os dados, tornando o modelo mais generalizável.
2. Os aprimoramentos comuns de imagem incluem inversão, corte e descoloração
3. Basta alterar o conjunto de dados
4. Para obter resultados precisos durante o processo de predição, geralmente realizamos apenas o aumento de imagem nas amostras de treinamento e não usamos o aumento de imagem com operações aleatórias durante o processo de predição.
5. A estrutura de aprendizagem profunda fornece muitos métodos diferentes de aumento de imagem, que podem ser aplicados simultaneamente.
3. Código
1. Método de aumentoaug
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. Virar
apply(img, torchvision.transforms.RandomHorizontalFlip()) apply(img, torchvision.transforms.RandomVerticalFlip())
3. Corte
#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. Brilho
apply(img, torchvision.transforms.ColorJitter( brightness=0.5, contrast=0, saturation=0, hue=0))
5. Tom de cor
apply(img, torchvision.transforms.ColorJitter( brightness=0, contrast=0, saturation=0, hue=0.5))
brilho(brightness
), contraste (contrast
),saturação(saturation
) e matiz (hue
)
6. Misture
augs = torchvision.transforms.Compose([ torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug]) apply(img, augs)