这次主要学习数据增强、提升模型，感觉实际上是对所处理图像的一些修剪。然后学习运行PyTorch的一些代码。
数据增强基础
通过人工方式增加训练数据的多样性，从而提高模型的泛化能力，使其能够在未见过的数据上表现得更好。此外，过度的数据增强，可能会导致图像失真，使得模型难以学习到有效的特征。
PyTorch加载和增强图像数据（主要是1和5）
-
图像大小调整：使用
transforms.Resize((256, 256))将所有图像调整到256x256像素的尺寸，这有助于确保输入数据的一致性。 -
随机水平翻转：
transforms.RandomHorizontalFlip()随机地水平翻转图像，这种变换可以模拟物体在不同方向上的观察，从而增强模型的泛化能力。 -
随机垂直翻转：
transforms.RandomVerticalFlip()随机地垂直翻转图像，这同样是为了增加数据多样性，让模型能够学习到不同视角下的特征。 -
转换为张量：
transforms.ToTensor()将图像数据转换为PyTorch的Tensor格式，这是在深度学习中处理图像数据的常用格式。 -
归一化：
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])对图像进行归一化处理，这里的均值和标准差是根据ImageNet数据集计算得出的，用于将图像像素值标准化，这有助于模型的训练稳定性和收敛速度。
常见的数据增强方法
主要有以下三种：
几何变换
-
调整大小:
Resize可以将图像调整到指定的大小。 -
随机裁剪:
RandomCrop和RandomResizedCrop可以随机裁剪图像。 -
中心裁剪:
CenterCrop从图像的中心裁剪出指定大小。 -
五裁剪和十裁剪:
FiveCrop和TenCrop分别裁剪出图像的四个角和中心区域。 -
翻转:
RandomHorizontalFlip和RandomVerticalFlip可以水平或垂直翻转图像。 -
旋转:
RandomRotation可以随机旋转图像。 -
仿射变换:
RandomAffine可以进行随机的仿射变换。 -
透视变换:
RandomPerspective可以进行随机的透视变换。
颜色变换
-
颜色抖动:
ColorJitter可以随机改变图像的亮度、对比度、饱和度和色调。 -
灰度化:
Grayscale和RandomGrayscale可以将图像转换为灰度图。 -
高斯模糊:
GaussianBlur可以对图像进行高斯模糊。 -
颜色反转:
RandomInvert可以随机反转图像的颜色。 -
颜色 posterize:
RandomPosterize可以减少图像中每个颜色通道的位数。 -
颜色 solarize:
RandomSolarize可以反转图像中所有高于阈值的像素值。
自动增强
-
自动增强:
AutoAugment可以根据数据集自动学习数据增强策略。 -
随机增强:
RandAugment可以随机应用一系列数据增强操作。 -
TrivialAugmentWide:提供与数据集无关的数据增强。
-
AugMix:通过混合多个增强操作进行数据增强。
进阶数据增强方法
- Mixup：将两个图像/标签按照alpha的比例混合得到新的图像/标签。（可以增加数据多样性、减少过拟合、提高泛化能力）
- Cutmix：随机选择一个剪切区域的大小和位置，将其粘贴到第二个图像得到新图像。根据剪切区域大小，计算两个图像的标签的加权平均值，得到一个新的标签。
-
学完了之后感觉有运行代码的一个整体思路了，收获好大。
参考文章： Task3：数据增强，提升模型表现 - 飞书云文档 (feishu.cn)
622
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
