零基础入门CV赛事（二）：数据读取与数据扩增

2 数据读取与数据扩增

本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。

2.1 学习目标

• 学习Python和Pytorch中图像读取
• 学会扩增方法和Pytorch读取赛题数据

2.2 图像读取

由于赛题数据是图像数据&＃xff0c;赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作&＃xff0c;在Python中有很多库可以完成数据读取的操作&＃xff0c;比较常见的有Pillow和OpenCV。

2.2.1 Pillow

Pillow是Python图像处理函式库(PIL&＃xff09;的一个分支。Pillow提供了常见的图像读取和处理的操作&＃xff0c;而且可以与ipython notebook无缝集成&＃xff0c;是应用比较广泛的库。

效果	代码
	from PIL import Image # 导入Pillow库 # 读取图片 im &＃61;Image.open(cat.jpg’)
	from PIL import Image, ImageFilter im &＃61; Image.open(‘cat.jpg’) # 应用模糊滤镜: im2 &＃61; im.filter(ImageFilter.BLUR) im2.save(‘blur.jpg’, ‘jpeg’)
	from PIL import Image # 打开一个jpg图像文件&＃xff0c;注意是当前路径: im &＃61; Image.open(‘cat.jpg’) im.thumbnail((w//2, h//2)) im.save(‘thumbnail.jpg’, ‘jpeg’)

当然上面只演示了Pillow最基础的操作&＃xff0c;Pillow还有很多图像操作&＃xff0c;是图像处理的必备库。
Pillow的官方文档&＃xff1a;https://pillow.readthedocs.io/en/stable/

2.2.2 OpenCV

OpenCV是一个跨平台的计算机视觉库&＃xff0c;最早由Intel开源得来。OpenCV发展的非常早&＃xff0c;拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV在功能上比Pillow更加强大很多&＃xff0c;学习成本也高很多。

效果	代码
	import cv2 # 导入Opencv库 img &＃61; cv2.imread(‘cat.jpg’) # Opencv默认颜色通道顺序是BRG&＃xff0c;转换一下 img &＃61; cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	import cv2 # 导入Opencv库 img &＃61; cv2.imread(‘cat.jpg’) img &＃61; cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图
	import cv2 # 导入Opencv库 img &＃61; cv2.imread(‘cat.jpg’) img &＃61;cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图 # Canny边缘检测 edges &＃61; cv2.Canny(img, 30, 70) cv2.imwrite(‘canny.jpg’, edges)

OpenCV包含了众多的图像处理的功能&＃xff0c;OpenCV包含了你能想得到的只要与图像相关的操作。此外OpenCV还内置了很多的图像特征处理算法&＃xff0c;如关键点检测、边缘检测和直线检测等。
OpenCV官网&＃xff1a;https://opencv.org/
OpenCV Github&＃xff1a;https://github.com/opencv/opencv
OpenCV 扩展算法库&＃xff1a;https://github.com/opencv/opencv_contrib

2.3 数据扩增方法

在上一小节中给大家初步介绍了Pillow和OpenCV的使用&＃xff0c;现在回到赛题街道字符识别任务中。在赛题中我们需要对的图像进行字符识别&＃xff0c;因此需要我们完成的数据的读取操作&＃xff0c;同时也需要完成数据扩增&＃xff08;Data Augmentation&＃xff09;操作。

2.3.1 数据扩增介绍

在深度学习中数据扩增方法非常重要&＃xff0c;数据扩增可以增加训练集的样本&＃xff0c;同时也可以有效缓解模型过拟合的情况&＃xff0c;也可以给模型带来的更强的泛化能力。

• 数据扩增为什么有用&＃xff1f;
在深度学习模型的训练过程中&＃xff0c;数据扩增是必不可少的环节。现有深度学习的参数非常多&＃xff0c;一般的模型可训练的参数量基本上都是万到百万级别&＃xff0c;而训练集样本的数量很难有这么多。
其次数据扩增可以扩展样本空间&＃xff0c;假设现在的分类模型需要对汽车进行分类&＃xff0c;左边的是汽车A&＃xff0c;右边为汽车B。如果不使用任何数据扩增方法&＃xff0c;深度学习模型会从汽车车头的角度来进行判别&＃xff0c;而不是汽车具体的区别。

• 有哪些数据扩增方法&＃xff1f;
数据扩增方法有很多&＃xff1a;从颜色空间、尺度空间到样本空间&＃xff0c;同时根据不同任务数据扩增都有相应的区别。
对于图像分类&＃xff0c;数据扩增一般不会改变标签&＃xff1b;对于物体检测&＃xff0c;数据扩增会改变物体坐标位置&＃xff1b;对于图像分割&＃xff0c;数据扩增会改变像素标签。

2.3.2 常见的数据扩增方法

在常见的数据扩增方法中&＃xff0c;一般会从图像颜色、尺寸、形态、空间和像素等角度进行变换。当然不同的数据扩增方法可以自由进行组合&＃xff0c;得到更加丰富的数据扩增方法。
以torchvision为例&＃xff0c;常见的数据扩增方法包括&＃xff1a;
• 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

在本次赛题中&＃xff0c;赛题任务是需要对图像中的字符进行识别&＃xff0c;因此对于字符图片并不能进行翻转操作。比如字符6经过水平翻转就变成了字符9&＃xff0c;会改变字符原本的含义。

2.3.3 常用的数据扩增库

• torchvision
https://github.com/pytorch/vision
pytorch官方提供的数据扩增库&＃xff0c;提供了基本的数据数据扩增方法&＃xff0c;可以无缝与torch进行集成&＃xff1b;但数据扩增方法种类较少&＃xff0c;且速度中等&＃xff1b;
• imgaug
https://github.com/aleju/imgaug
imgaug是常用的第三方数据扩增库&＃xff0c;提供了多样的数据扩增方法&＃xff0c;且组合起来非常方便&＃xff0c;速度较快&＃xff1b;
• albumentations
https://albumentations.readthedocs.io
是常用的第三方数据扩增库&＃xff0c;提供了多样的数据扩增方法&＃xff0c;对图像分类、语义分割、物体检测和关键点检测都支持&＃xff0c;速度较快。

2.4 Pytorch读取数据

由于本次赛题我们使用Pytorch框架讲解具体的解决方案&＃xff0c;接下来将是解决赛题的第一步使用Pytorch读取赛题数据。
在Pytorch中数据是通过Dataset进行封装&＃xff0c;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 cv2from PIL import Image
import numpy as npimport torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transformsclass SVHNDataset(Dataset):def __init__(self, img_path, img_label, transform&＃61;None):self.img_path &＃61; img_pathself.img_label &＃61; img_label if transform is not None:self.transform &＃61; transformelse:self.transform &＃61; Nonedef __getitem__(self, index):img &＃61; Image.open(self.img_path[index]).convert(&＃39;RGB&＃39;)if self.transform is not None:img &＃61; self.transform(img)# 原始SVHN中类别10为数字0lbl &＃61; np.array(self.img_label[index], dtype&＃61;np.int)lbl &＃61; list(lbl) &＃43; (5 - len(lbl)) * [10]return img, torch.from_numpy(np.array(lbl[:5]))def __len__(self):return len(self.img_path)train_path &＃61; glob.glob(&＃39;../input/train/*.png&＃39;)
train_path.sort()
train_json &＃61; json.load(open(&＃39;../input/train.json&＃39;))
train_label &＃61; [train_json[x][&＃39;label&＃39;] for x in train_json]data &＃61; 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&＃xff0c;可以将赛题的图像数据和对应标签进行读取&＃xff0c;在读取过程中的进行数据扩增&＃xff0c;效果如下所示&＃xff1a;

1	2	3

接下来我们将在定义好的Dataset基础上构建DataLoder&＃xff0c;你可以会问有了Dataset为什么还要有DataLoder&＃xff1f;其实这两个是两个不同的概念&＃xff0c;是为了实现不同的功能。
• Dataset&＃xff1a;对数据集的封装&＃xff0c;提供索引方式的对数据样本进行读取
• DataLoder&＃xff1a;对Dataset进行封装&＃xff0c;提供批量读取的迭代读取
加入DataLoder后&＃xff0c;数据读取代码改为如下&＃xff1a;

import os, sys, glob, shutil, json
import cv2from PIL import Image
import numpy as npimport torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transformsclass SVHNDataset(Dataset):def __init__(self, img_path, img_label, transform&＃61;None):self.img_path &＃61; img_pathself.img_label &＃61; img_label if transform is not None:self.transform &＃61; transformelse:self.transform &＃61; Nonedef __getitem__(self, index):img &＃61; Image.open(self.img_path[index]).convert(&＃39;RGB&＃39;)if self.transform is not None:img &＃61; self.transform(img)# 原始SVHN中类别10为数字0lbl &＃61; np.array(self.img_label[index], dtype&＃61;np.int)lbl &＃61; list(lbl) &＃43; (5 - len(lbl)) * [10]return img, torch.from_numpy(np.array(lbl[:5]))def __len__(self):return len(self.img_path)train_path &＃61; glob.glob(&＃39;../input/train/*.png&＃39;)
train_path.sort()
train_json &＃61; json.load(open(&＃39;../input/train.json&＃39;))
train_label &＃61; [train_json[x][&＃39;label&＃39;] for x in train_json]train_loader &＃61; 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&＃61;10, # 每批样本个数shuffle&＃61;False, # 是否打乱顺序num_workers&＃61;10, # 读取的线程个数
)for data in train_loader:break


在加入DataLoder后&＃xff0c;数据按照批次获取&＃xff0c;每批次调用Dataset读取单个样本进行拼接。此时data的格式为&＃xff1a;
torch.Size([10, 3, 64, 128]), torch.Size([10, 6])
前者为图像文件&＃xff0c;为batchsize * chanel * height * width次序&＃xff1b;后者为字符标签。

2.5 本章小节

本章对数据读取进行了详细的讲解&＃xff0c;并介绍了常见的数据扩增方法和使用&＃xff0c;最后使用Pytorch框架对本次赛题的数据进行读取。

【参考资料】

Datawhale 零基础入门CV赛事