在这章我们展示一个涵盖了大部分数据增强方法的例子。这里有大量的代码,可能会引起部分读者的不适,但是大家可以主要看注释,以及最后的总结性的话语,在实际上使用的时候再详细的看具体的实现,有一些。
from imgaug import augmenters as iaa #引入数据增强的包
sometimes = lambda aug: iaa.Sometimes(0.5, aug) #建立lambda表达式,
这里定义sometimes意味有时候做的操作,上一讲中我们有看到加入高斯模糊的例子,在那里,实际上是对每一张图片都进行了高斯模糊的处理,然而实际上在深度学习的模型训练中,数据增强不能喧宾夺主,如果对每一张图片都加入高斯模糊的话实际上是毁坏了原来数据的特征,因此,我们需要“有时候”做,给这个操作加一个概率。
seq = iaa.Sequential(
[
iaa.Fliplr(0.5), # 对50%的图像进行上下翻转
iaa.Flipud(0.2), # 对20%的图像做镜像翻转
sometimes(iaa.Crop(percent=(0, 0.1))),
#这里沿袭我们上面提到的sometimes,对随机的一部分图像做crop操作
# crop的幅度为0到10%
sometimes(iaa.Affine( #对一部分图像做仿射变换
scale={"x": (0.8, 1.2), "y": (0.8, 1.2)},#图像缩放为80%到120%之间
python图像数据增强——imgaug (二)
最新推荐文章于 2024-07-25 18:55:58 发布
本文通过实例详细介绍了如何使用imgaug库进行图像数据增强,包括翻转、裁剪、仿射变换、超像素等操作。利用lambda表达式、Sometimes、SomeOf和OneOf等方法,灵活应用各种增强技术,提升模型训练效果。
摘要由CSDN通过智能技术生成