1.小图片样本数据增强

问题背景

在面对一些小图片的分类问题的时候，比如检测出一种缺陷，要识别是哪个缺陷，往往需要大量的样本集，只要是基于统计学，不管是传统机器学习，比如支持向量机，还是各种神经网络，比如resnet，都是需要样本集支撑的，针对这种不需要标注，只需要把标的物截取出来保存的数据集，往往很难收集，这也是统计学方案的一个通病，所以，就需要想办法，做数据增强。

参考资料

https://blog.csdn.net/weixin_44010756/article/details/116228373 一篇逻辑很好的关于数据增强的文章，使用的工具主要来自这里的Augmentor。
https://www.jianshu.com/p/989b2f4b246d 数据增强库imgaug使用
https://www.jianshu.com/p/edda47f7a6f4 数据增强利器–Augmentor
https://blog.csdn.net/qq_58832911/article/details/123381055 使用python进行数据增强的实现。

代码案例封装

基于Augmentor做一个数据增强的案例，使用函数之前需要安装Augmentor

@router.post('/data_augmentation')
def data_augmentation(img_path: str = Body(...), num: int = Body(...)):
    # 0.先删除之前的缓存
    output_dir = os.path.join(img_path, 'output')
    items = os.listdir(output_dir)
    for item in items:
        file_path = os.path.join(img_path, item)
        os.remove(file_path)
    # 1. 指定图片所在目录
    p = Augmentor.Pipeline(img_path)
    # 2. 增强操作
    # 旋转 概率0.7，向左最大旋转角度10，向右最大旋转角度10
    p.rotate(probability=0.7, max_left_rotation=10, max_right_rotation=10)
    # 放大 概率0.3，最小为1.1倍，最大为1.6倍；1不做变换
    p.zoom(probability=0.3, min_factor=1.1, max_factor=1.6)
    # resize 同一尺寸 200 x 200
    p.resize(probability=1, height=200, width=200)
    # 3. 指定增强后图片数目总量
    p.sample(num)

    return "success"