TensorFlow2实战-系列教程4：数据增强

已于 2024-01-31 10:16:21 修改
阅读量1.1k 收藏 21
点赞数 20
分类专栏： TensorFlow 文章标签： tensorflow 人工智能 python tensorflow2 数据增强
于 2024-01-28 02:26:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_50592077/article/details/135877853
版权
本文介绍了如何在TensorFlow2中使用ImageDataGenerator进行图像数据增强，包括翻转、缩放、平移、旋转等操作，以提升猫狗识别模型的性能。通过实际操作展示了各种数据增强技术的应用和效果。
摘要由CSDN通过智能技术生成

🧡💛💚TensorFlow2实战-系列教程 总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Jupyter Notebook中进行
本篇文章配套的代码资源已经上传

猫狗识别1
数据增强
猫狗识别2------数据增强
猫狗识别3------迁移学习

对于图像数据，将其进行翻转、放缩、平移、旋转操作就可以得到一组新的数据：
在这里插入图片描述

1、展示输入输出

import matplotlib.pyplot as plt
from PIL import Image
%matplotlib inline
from keras.preprocessing import image
import keras.backend as K
import os
import glob
import numpy as np
def print_result(path):
    name_list = glob.glob(path)
    fig = plt.figure(figsize=(12,16))
    for i in range(3):
        img = Image.open(name_list[i])
        sub_img = fig.add_subplot(131+i)
        sub_img.imshow(img)
img_path = './img/superman/*'
in_path = './img/'
out_path = './output/'
name_list = glob.glob(img_path)
print(name_list)
print_result(img_path)
  1. img_path 就是存放3张图像数据的路径，in_path 、out_path 暂时没用到
  2. name_list 查看一下三张数据的路径字符信息
  3. print_result就是一个专门用来打印3张图像的函数

打印结果：

[‘./img/superman\00000008.jpg’,
‘./img/superman\00000009.jpg’,
‘./img/superman\00000010.jpg’]

在这里插入图片描述

2、调整图像大小

datagen = image.ImageDataGenerator()
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False,  save_to_dir=out_path+'resize',
                                  save_prefix='gen', target_size=(224, 224))
  1. 创建一个数据增强的实例
  2. 指定参数加载图像数据
  3. save_to_dir=out_path+‘resize’，用到了前面的输出路径
  4. 指定了target_size参数后图像都会被重置成这个尺寸
for i in range(3):
    gen_data.next()
print_result(out_path+'resize/*')

从数据生成器中获取数据，将图像打印出来
打印结果：
在这里插入图片描述

3、旋转图像

datagen = image.ImageDataGenerator(rotation_range=45)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'rotation_range',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'rotation_range/*')
  1. 创建一个旋转的数据增强实例，
  2. 创建一个数据增强实例，实际上就是直接加载数据
  3. 将加载的图像数据重置尺寸
  4. 将重置尺寸的图像转换成ndarray格式
  5. 将旋转数据增强应用到重置尺寸的图像数据中
  6. 使用数据增强生成器重新从目录加载数据
  7. 保存加载的数据
  8. 使用for循环：
  9. 生成并处理三个图像，由于设置了 save_to_dir，这些图像将被保存。
  10. 打印三个图像

打印结果：

Found 3 images belonging to 1 classes.
Found 3 images belonging to 1 classes.

在这里插入图片描述

4、平移变换

datagen = image.ImageDataGenerator(width_shift_range=0.3,height_shift_range=0.3)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'shift',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'shift/*')

与3中不同的是，这段代码是进行平移变换进行数据增强，指定了平移变换的参数，width_shift_range=0.3，height_shift_range=0.3，这两个参数分别表示会在水平方向和垂直方向±30%的范围内随机移动

打印结果：

Found 3 images belonging to 1 classes.
Found 3 images belonging to 1 classes.

在这里插入图片描述

datagen = image.ImageDataGenerator(width_shift_range=-0.3,height_shift_range=0.3)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'shift2',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'shift2/*')

由于是随机的，这两段代码完全一样，但是结果却不同
打印结果：

Found 3 images belonging to 1 classes.
Found 3 images belonging to 1 classes.
在这里插入图片描述

5、缩放

datagen = image.ImageDataGenerator(zoom_range=0.5)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'zoom',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'zoom/*')

这段代码与3中不同的就是，这里指定缩放参数来进行缩放数据增强
打印结果：

Found 3 images belonging to 1 classes.
Found 3 images belonging to 1 classes.

在这里插入图片描述

6、channel_shift

datagen = image.ImageDataGenerator(channel_shift_range=15)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'channel',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'channel/*')

这段代码与3中不同的就是，这里指定通道偏移参数来进行通道偏移数据增强
打印结果：

Found 3 images belonging to 1 classes.
Found 3 images belonging to 1 classes.
在这里插入图片描述

7、水平翻转

datagen = image.ImageDataGenerator(horizontal_flip=True)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'horizontal',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'horizontal/*')

这段代码与3中不同的就是，这里指定水平翻转参数来进行水平翻转数据增强
在这里插入图片描述

8、rescale重新缩放

datagen = image.ImageDataGenerator(rescale= 1/255)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'rescale',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'rescale/*')

这段代码与3中不同的就是，这里指定rescale重新缩放参数来进行rescale重新缩放数据增强
通常用于归一化图像数据。将图像像素值从 [0, 255] 缩放到 [0, 1] 范围，有助于模型的训练
在这里插入图片描述

9、填充方法

  • ‘constant’: kkkkkkkk|abcd|kkkkkkkk (cval=k)
  • ‘nearest’: aaaaaaaa|abcd|dddddddd
  • ‘reflect’: abcddcba|abcd|dcbaabcd
  • ‘wrap’: abcdabcd|abcd|abcdabcd
datagen = image.ImageDataGenerator(fill_mode='wrap', zoom_range=[4, 4])
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'fill_mode',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'fill_mode/*')
  • fill_mode='wrap'：当应用几何变换后，图像中可能会出现一些新的空白区域。fill_mode 定义了如何填充这些空白区域。在这种情况下，使用 'wrap' 模式，意味着空白区域将用图像边缘的像素“包裹”填充。
  • zoom_range=[4, 4]：这设置了图像缩放的范围。在这里，它被设置为在 4 倍范围内进行随机缩放。由于最小和最大缩放因子相同，这将导致所有图像都被放大 4 倍

用原图像填充，任何超出原始图像边界的区域将被图像的对边界像素填充
在这里插入图片描述

datagen = image.ImageDataGenerator(fill_mode='nearest', zoom_range=[4, 4])
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'nearest',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()
print_result(out_path+'nearest/*')

使用最近点填充，每个空白区域的像素将取其最近的非空白区域的像素值
在这里插入图片描述

猫狗识别1
数据增强
猫狗识别2------数据增强
猫狗识别3------迁移学习

机器学习杨卓越
关注
专栏目录
图像分割实战-系列教程3：unet医学细胞分割实战
12-30
在本篇教程中，我们将深入探讨“图像分割”的概念，特别是在医学领域的应用，特别是通过使用unet模型进行细胞分割的实战教程。图像分割是计算机视觉领域的一个关键子领域，它涉及将图像划分为多个有意义的区域或对象...
数据预处理之数据缩放
初
09-11 2010
​ 在实践中，同一个数据集合中经常包含不同类别的变量。一个很大的问题是这些变量的值域可能大不相同。如果使用原值域将会使得值域大的变量被赋予更多的权重。针对这个问题，我们需要在数据预处理时对自变量或特征使用缩放的方法。特征缩放的目的是使得所有特征都在相似的范围内，因此建模时每个特征都会变得同等重要，并且更便于机器学习的算法进行处理。xscaled​scalex−center​​ 上面式子中，xscaled​表示缩放后的数据，
masaic 数据增强代码
小呆苗的博客
04-19 2600
masaic数据增强代码： 四张图片随机拼接 输出结果：随机拼接 ''' 数据增强方法测试 1. 像素级：HSV增强、旋转、平移、缩放、剪切、透视、翻转等 2. 图片级：MixUp、Cutout、CutMix、Mosaic、Copy-Paste等 ''' import math import os import random import cv2 import numpy as np # 将图像的最长边缩放到640，短边填充到640 def fix_shape(imgs, new_shap
第T10周：使用TensorFlow实现数据增强
最新发布
weixin_47918905的博客
08-26 795
这是大家可以自由发挥的一个地方# 随机改变图像对比度将自定义增强函数应用到我们数据上# 这是大家可以自由发挥的一个地方# 随机改变图像对比度# 归一化处理本次学习了使用两种方式的数据增强提高模型性能以及自定义数据增强函数。
TensorFlow学习笔记（13）数据增强
m0_63848276的博客
12-27 1227
tensorflow官网学习笔记
【入门教程】TensorFlow 2 模型：深度强化学习
tensorflowforum的博客
01-25 6956
文 /李锡涵，Google Developers Expert 本文节选自《简单粗暴 TensorFlow 2》 本文将介绍在 OpenAI 的 gym 环境下，使用 TensorFlow 实现 Q-learning 算法，从而玩倒立摆游戏的流程。 深度强化学习 (DRL) 强化学习（Reinforcement learning，RL）强调如何基于环境而行动，以取得最大化的预期利益。结合了深度学习技术后的强化学习（Deep Reinforcement learning，DRL）更是如...
【TensorFlow2 之011】TF 如何使用数据增强提高模型性能？
gongdiwudu的专栏
10-12 3655
亮点：在这篇文章中，我们将展示数据增强技术作为提高模型性能的一种方式的好处。当我们没有足够的数据可供使用时，这种方法将非常有益。
TensorFlow-2.0和深度学习：TensorFlow 2.0和深度学习培训
02-20
4. **数据预处理**：介绍如何处理和预处理输入数据，包括数据增强、标准化等技术。 5. **模型保存与恢复**：学习如何保存和加载模型，以便于继续训练或部署。 6. **模型调优**：超参数调整、早停法（Early Stopping...
OpenMMLAB实战系列视频教程
09-13
OpenMMLAB实战系列视频教程是一套专注于深度学习与计算机视觉技术的教程资源，由MMLAB（多媒体计算与学习实验室）提供。这套教程旨在帮助学习者深入理解并掌握OpenMMLAB这一最大最全的开源视觉代码库，涵盖了深度...
Windows版YOLOv4目标检测实战：人脸口罩佩戴检测
03-07
3. 数据增强：YOLOv4广泛使用数据增强技术，如随机剪裁、翻转、颜色变化等，以增加模型对不同情况的泛化能力，特别是在人脸口罩检测中，能确保模型在各种光照、角度和遮挡情况下仍能准确识别。 4. SPP-Block...
tensorflow实现数据增强(随机裁剪、翻转、对比度设置、亮度设置)
热门推荐
修炼之路
06-08 4万+
数据增强(Data Augmentation)：是指对图片进行随机的旋转、翻转、裁剪、随机设置图片的亮度和对比度以及对数据进行标准化(数据的均值为0，方差为1)。通过这些操作，我们可以获得更多的图片样本，原来的一张图片可以变为多张图片，扩大了样本容量，对于提高模型的准确率和提升模型的泛化能力非常有帮助，在进行数据增强的同时也会需要消耗大量的系统资源。利用opencv来读取图片，然后利用tensor...
深度学习-第T10周——数据增强
qq_45735298的博客
06-09 3216
数据增强
Tensorflow2 常见的数据增强方法及其实现汇总
wxplol的博客
08-12 5396
数据增强主要分为监督的数据增强和无监督的数据增强方法。其中有监督的数据增强又可以分为单样本数据增强和多样本数据增强方法，无监督的数据增强分为生成新的数据和学习增强策略两个方向。
第十周 tensorflow中的数据增强
qq_44753643的博客
04-14 675
tensorflow中相关数据增强函数
深度学习t10-数据增强
qq_66033623的博客
06-23 919
这是大家可以自由发挥的一个地方# 随机改变图像对比度plt.show()
深度学习Day-12：实现数据增强
m0_51359915的博客
04-08 803
深度学习tensorflow
Tensorflow的几种数据增强的方式：缩放、扩大、翻转、调整亮度、调整对比度等
qq_44501345的博客
04-07 2127
好久之前的代码，有些乱。 import tensorflow as tf import matplotlib.pyplot as plt from PIL import Image from numpy import uint8 with tf.Session() as sess: # 读取原图像并显示 original_image = Image.open("C:/Users/ccc/...
TensorFlow视觉：使用TensorFlow进行数据增强
新华编程特战队
12-30 838
在 NLP 中，数据增强技术在文本增强中起着至关重要的作用，使模型能够处理不同的写作风格、句子结构和词汇使用。这对于情感分析、文本分类和机器翻译任务至关重要，在这些任务中，多样化的输入数据对于提高准确性至关重要。使用旋转、平移和遮挡来增强对象数据集有助于训练对实际变化具有鲁棒性的模型，使其在监控和图像识别等场景中有效。领域，准确的诊断至关重要，数据增强是必不可少的。数据增强通过引入不同的照明条件、天气场景和车辆姿态等变化来增强模型泛化，从而帮助车辆安全高效地导航。在多种情况下，您可以对数据集使用数据增强。
TensorFlow实战：卷积神经网络详解与实现教程
本文将深入探讨如何在TensorFlow中实战实现卷积神经网络(CNN)。卷积神经网络起源于19世纪60年代对猫视觉皮层的研究，科学家们观察到每个神经元专注于图像的局部区域，这就是感受野的概念。20世纪80年代，日本科学家...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器学习杨卓越

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值