图像扩增的好助手之Pytorch-transforms

简介: 图像扩增的好助手之Pytorch-transforms

前言


为了使模型更加具备泛化能力,在数据的处理方面,往往需要进行数据扩增,而数据扩增本人建议放在训练之前完成,减少训练使用时间,同时也便于自己查看扩增后图像的质量,把控好图像的质量间接的把控了模型的质量。



一.transforms—Crop


1.1 torchvision.transforms.CenterCrop(size)


功能:从图像中心裁剪图片
size:所需裁剪图片尺寸

1.2  torchvision.transforms.RandomCrop(size, padding=None, pad_tf_needed=False, fill=0, padding_mode='constant')

功能:从图片中随机裁剪出尺寸为size的图片
size: 所需裁剪图片尺寸
padding: 设置填充大小
当为a时,上下左右均填充a个像素;
当为(a, b)时,上下填充b个像素,左右填充a个像素;
当为(a, b, c, d)时,左、上、右、下分别填充a、b、c、d。
pad_if_need: 若图像小于设定size,则填充
padding_mode: 填充模式,有4种模式\
 ⅰ. constant: 像素值由fill设定\
 ⅱ. edge: 像素值由图像边缘像素设定\
 ⅲ. reflect: 镜像填充,最后一个像素不镜像,例: [1,2,3,4]→[3,2,1,2,3,4,3,2][1,2,3,4]→[3,2,1,2,3,4,3,2]
 ⅳ. symmetric: 镜像填充,最后一个像素镜像,例:[1,2,3,4]→[2,1,1,2,3,4,4,3][1,2,3,4]→[2,1,1,2,3,4,4,3]
 fill: constant时,设置填充的像素值

1.3 torchvision.transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(3/4, 4/3), interpolation=2)

功能:随机大小、长宽比裁剪图片
size: 所需裁剪图片尺寸
scale: 随机裁剪面积比例,默认(0.08, 1)
ratio: 随机长宽比,默认(3/4, 4/3)
interpolation: 插值方法
PIL.Image.NEAREST
PIL.Image.BILINEAR
PIL.Image.BICUBIC

1.4 torchvision.transforms.TenCrop(size, vertical_flip=False)

功能:在图像的上下左右以及中心裁剪出尺寸为size的5张图片,TenCrop对这5张图片进行水平或者垂直镜像获得10张图片
size: 所需裁剪图片尺寸
vertical_flip: 是否垂直翻转

二. transforms-Flip


2.1 torchvision.transforms.RandomHorizontalFlip(p=0.5)

功能:依据水平(左右)或垂直(上下)翻转图片
 p: 翻转概率

2.2torchvision.transforms.RandomRotation(degrees, resample=False, expand=False, center=None)

功能:随机旋转图片
degrees: 旋转角度
当为a时,在(-a, a)之间选择旋转角度;
当为(a, b)时,在(a, b)之间选择旋转角度。
resample: 重采样方法
expand: 是否扩大图片,以保持原图信息


三,transforms-Pad


3.1 torchvision.transforms.Pad(padding, fill=0, padding_mode='constant')

功能:对图像边缘进行填充
padding: 设置填充大小
当为a时,上下左右均填充a个像素;
当为(a, b)时,上下填充b个像素,左右填充a个像素;
当为(a, b, c, d)时,左、上、右、下分别填充a、b、c、d。
padding_mode: 填充模式,有4种模式,constant、edge、reflect和symmetric
fill: constant时,设置填充的像素值,(R, G, B)or(Gray)

3.2torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)

功能:调整亮度、对比度、饱和度和色相
brightness: 亮度调整因子
当为a时,从[max(0,1−a),1+a][max(0,1−a),1+a]中随机选择;
当为(a, b)时,从[a,b][a,b]中随机选择。
contrast: 对比度参数,同brightness
saturation: 饱和度参数,同brightness
hue: 色相参数
当为a时,从[−a,a][−a,a]中选择参数,注:0≤a≤0.50≤a≤0.5
当为(a, b)时,从[a,b][a,b]中选择参数,注:−0.5≤a≤b≤0.5−0.5≤a≤b≤0.5

3.3torchvision.transforms.Grayscale(num_output_channels=1)

3.4torchvision.transforms.RandomGrayscale(p=0.1)

功能: 依概率将图片转换为灰度图
num_output_channels: 输出通道数,只能设置为1或3
p: 概率值,图像被转换为灰度图的概率


3.5torchvision.transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=0, fillcolor=0)

功能:对图像进行仿射变换,仿射变换是二维的线性变换,由五种基本原子变换构成,分别是旋转、平移、缩放、错切和翻转
degrees: 旋转角度设置
translate: 平移区间设置,如(a, b),a设置宽(width),b设置高(height),图像在宽维度平移区间为 -img_width a < dx < img_width a
scale: 缩放比例(以面积为单位)
fill_color: 填充颜色设置
shear: 错切角度设置,有水平错切和垂直错切
若为a,则仅在x轴错切,错切角度在(-a, a)之间;
若为(a, b),则a设置x轴角度,b设置y的角度;
若为(a, b, c, d),则a、b设置x轴角度,c、d设置y轴角度。
resample: 重采样方式,有NEAREST、BILINEAR、BICUBIC


3.6 torchvision.transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), value=0, inplace=False)

功能:对图像进行随机遮挡
p: 概率值,执行该操作的概率
scale: 遮挡区域的面积
ratio: 遮挡区域长宽比
value: 设置遮挡区域的像素值,(R, G, B)or(Gray)
参考文献:《Random Erasing Data Augmentaion》


3.7 torchvision.transforms.Lambda(lambd)

功能: 用户自定义lambda方法
lambd: lambda匿名函数
例如:transforms.Lambda(lambda crops: torch.stack([transforms.Totensor()(crop) for crop in crops]))


相关文章
|
1月前
|
机器学习/深度学习 监控 PyTorch
YOLOv7+姿态估计Pose+tensort部署加速
YOLOv7+姿态估计Pose+tensort部署加速
92 0
|
1月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
|
10月前
|
数据采集 PyTorch 数据处理
Pytorch学习笔记(3):图像的预处理(transforms)
Pytorch学习笔记(3):图像的预处理(transforms)
751 1
Pytorch学习笔记(3):图像的预处理(transforms)
|
2天前
|
机器学习/深度学习 人工智能 PyTorch
PyTorch 图像篇
计算机视觉是多学科交叉的科技,属人工智能关键分支,应用于智能安防、自动驾驶、医疗和制造。技术包括物体检测、语义分割、运动跟踪等。早期依赖手工特征,但深度学习尤其是卷积神经网络(CNN)的发展改变了这一状况,CNN通过自动学习特征,改善了图像分类效率。CNN包含卷积层、池化层和全连接层,解决传统方法参数多、易丢失空间信息的问题。卷积操作在图像处理中用于特征提取,通过二维互相关运算学习图像特征。
|
10月前
|
机器学习/深度学习 人工智能 算法
基于 PyTorch 的图像特征提取
基于 PyTorch 的图像特征提取
|
1月前
|
机器学习/深度学习 并行计算 PyTorch
使用 PyTorch、ONNX 和 TensorRT 将视觉 Transformer 预测速度提升 9 倍
使用 PyTorch、ONNX 和 TensorRT 将视觉 Transformer 预测速度提升 9 倍
251 1
|
10月前
|
机器学习/深度学习 存储 数据可视化
基于 MNIST 数据集的 Pytorch 卷积自动编码器
基于 MNIST 数据集的 Pytorch 卷积自动编码器
|
固态存储 开发工具 git
mmdetection目标检测训练自己的数据
mmdetection目标检测训练自己的数据
244 0
|
机器学习/深度学习 API 数据格式
【深度学习03】TensorBoard+Transforms+Dataload的使用
【深度学习03】TensorBoard+Transforms+Dataload的使用
94 0
YOLOv5的Tricks | 【Trick8】图片采样策略——按数据集各类别权重采样
这篇文章用来记录一下yolov5在训练过程中提出的一个图片采样策略,简单来说,就是根据图片的权重来决定其采样顺序。
527 0
YOLOv5的Tricks | 【Trick8】图片采样策略——按数据集各类别权重采样