2 数据
本章的内容是接上一章的内容,继上一章的赛题内容理解和方法之后,本章主要内容可以分为数据读取、数据扩增以及利用Pytorch读取赛题数据。
2.1 数据读取
赛题数据为图像,即为识别图像中的数字编码,所以数据读也可以说是图像读取。则必然要对图像进行必要的处理。
2.1.1 Pillow
Pillow 为我们提供了常见的图像读取和处理操作,如:改变图像大小,旋转图像,图像格式转换,色场空间转换,图像增强,直方图处理,插值和滤波等等。并且Pillow可以与iPython notebook无缝集合,是一种应用较为广发的第三方库。
基本操作如下:更多操作可以参考:Pillow官方文档
#打开 旋转 显示图像操作
from PIL import Image
im = Image.open("dog.jpg")
im.rotate(30).show()
#缩略图操作 以128X128来保留纵横比
from PIL import Image
import glob, os
size = 128, 128
for infile in glob.glob("*.jpg"):
file, ext = os.path.splitext(infile)
im = Image.open(infile)
im.thumbnail(size)
im.save(file + ".thumbnail", "JPEG")
2.1.2 OpenCv
OpenCV是Open source Computer Vision Library的简写,即为开源计算机视觉库。可以用于图像处理、分析,视觉处理等方面。
import cv2
img = cv2.imread('cat.jpg')
#OpenCv默认颜色通道为RGB格式
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#转换为灰度图
img = cv2.imread('cat.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
更多参考:
OpenCV官网:https://opencv.org/
OpenCV Github:https://github.com/opencv/opencv
OpenCV 扩展算法库:https://github.com/opencv/opencv_contrib
2.2 数据扩增方法
我们需要对赛题完成字符识别,因此我们需要完成数据的读取操作、同时业需要完成数据扩增操作(Data Augmentation)。
2.2.1 何为数据扩增
数据扩增,顾名思义,就是把有限的数据经过处理,以扩大原来具备的数据样本集,使其得到更大的数据集。增加训练的样本量。
作用:现代深度学习的训练样本的量级可达百万级别,但是,一般情况下是很难获得如此巨大的样本集数量,所以使用数据扩增来使训练样本集的量级加大。
数据扩增的方法有很多,就本赛题的图像处理上,可以从颜色空间、尺寸大小等方面处理。且对于图像分类,数据扩增一般不会改变标签;对于物体检测,数据扩增会改变物体坐标位置;对于图像分割,数据扩增会改变像素标签。
2.2.2 常见的扩增方法
一般从颜色、尺寸、形态、空间和像素等角度进行变换。
以torchvision为例,常见的扩增方法如下:
- transforms.CenterCrop 对图片中心进行裁剪
- transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换
- transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像
- transforms.Grayscale 对图像进行灰度变换
- transforms.Pad 使用固定值进行像素填充
- transforms.RandomAffine 随机仿射变换
- transforms.RandomCrop 随机区域裁剪
- transforms.RandomHorizontalFlip 随机水平翻转
- transforms.RandomRotation 随机旋转
- transforms.RandomVerticalFlip 随机垂直翻转
其对图像的处理效果可以用下图来形象的表示:
注意:本赛题为数字识别,没有必要对其作翻转处理,比如6作翻转处理之后,识别的数字就变为9,这造成了不必要的麻烦。
2.2.3 常用数据扩增库
-
torchvision
https://github.com/pytorch/vision
pytorch官方提供的数据扩增库,提供了基本的数据数据扩增方法,可以无缝与torch进行集成;但数据扩增方法种类较少,且速度中等; -
imgaug
https://github.com/aleju/imgaug
imgaug是常用的第三方数据扩增库,提供了多样的数据扩增方法,且组合起来非常方便,速度较快; -
albumentations
https://albumentations.readthedocs.io
是常用的第三方数据扩增库,提供了多样的数据扩增方法,对图像分类、语义分割、物体检测和关键点检测都支持,速度较快。
2.3 Pytorch读取数据
在Pytorch中数据是通过Dataset进行封装,并通过DataLoder进行并行读取。所以我们只需要重载一下数据读取的逻辑就可以完成数据的读取。
import os, sys, glob, shutil, json
import cv2
from PIL import Image
import numpy as np
import torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transforms
class SVHNDataset(Dataset):
def__init__(self,img_path,img_label,transform=None):
self.img_path = img_path
self.img_label = img_label
if transform is not None:
self.transform = transform
else:
self.transform = None
def __getitem__(self, index):
img = Image.open(self.img_path[index]).convert('RGB')
if self.transform is not None:
img = self.transform(img)
# 原始SVHN中类别10为数字0
lbl = np.array(self.img_label[index], dtype=np.int)
lbl = list(lbl) + (5 - len(lbl)) * [10]
return img, torch.from_numpy(np.array(lbl[:5]))
def __len__(self):
return len(self.img_path)
train_path = glob.glob('../input/train/*.png')
train_path.sort()
train_json = json.load(open('../input/train.json'))
train_label = [train_json[x]['label'] for x in train_json]
data = SVHNDataset(train_path, train_label,
transforms.Compose([
# 缩放到固定尺寸
transforms.Resize((64, 128)),
# 随机颜色变换
transforms.ColorJitter(0.2, 0.2, 0.2),
# 加入随机旋转
transforms.RandomRotation(5),
# 将图片转换为pytorch 的tesntor
# transforms.ToTensor(),
# 对图像像素进行归一化
# transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]))
通过上述代码,可以将赛题的图像数据和对应标签进行读取,在读取过程中的进行数据扩增,效果如下:
接下来我们将在定义好的Dataset基础上构建DataLoder。用Dataset和DataLoder这两个函数来完成。
Dataset:对数据集的封装,提供索引方式的对数据样本进行读取。
DataLoder:对Dataset进行封装,提供批量读取的迭代读取。
加入DataLoder后,数据读取代码改为如下:
import os, sys, glob, shutil, json
import cv2
from PIL import Image
import numpy as np
import torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transforms
class SVHNDataset(Dataset):
def __init__(self, img_path, img_label, transform=None):
self.img_path = img_path
self.img_label = img_label
if transform is not None:
self.transform = transform
else:
self.transform = None
def __getitem__(self, index):
img = Image.open(self.img_path[index]).convert('RGB')
if self.transform is not None:
img = self.transform(img)
# 原始SVHN中类别10为数字0
lbl = np.array(self.img_label[index], dtype=np.int)
lbl = list(lbl) + (5 - len(lbl)) * [10]
return img, torch.from_numpy(np.array(lbl[:5]))
def __len__(self):
return len(self.img_path)
train_path = glob.glob('../input/train/*.png')
train_path.sort()
train_json = json.load(open('../input/train.json'))
train_label = [train_json[x]['label'] for x in train_json]
train_loader = torch.utils.data.DataLoader(
SVHNDataset(train_path, train_label,
transforms.Compose([
transforms.Resize((64, 128)),
transforms.ColorJitter(0.3, 0.3, 0.2),
transforms.RandomRotation(5),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])),
batch_size=10, # 每批样本个数
shuffle=False, # 是否打乱顺序
num_workers=10, # 读取的线程个数
)
for data in train_loader:
break
在加入DataLoder后,数据按照批次获取,每批次调用Dataset读取单个样本进行拼接。此时data的格式为:
torch.Size([10, 3, 64, 128]), torch.Size([10, 6])
前者为图像文件,为batchsize * chanel * height * width次序;后者为字符标签。
2.4 小结
介绍了数据读取的方法,利用Pillow或者是OpenCv来完成数据的读取,并对图像进行对应的处理。之后又了解了数据扩增的方法,学习了常见的几种扩增的方法。最后利用Pytorch来读取本次比赛的数据。