图像分类：数据增强（Pytorch版）

在Pytorch框架中，常用的数据增强的函数主要集成在了transforms文件中，今天就来详细介绍一下如何使用Pytorch框架在训练模型时使用数据增强的策略，本文主要介绍分类问题的数据增强，而对于检测问题处理的需要更加麻烦，因为检测问题不仅要处理图片，还需要处理对应的位置标签！！！（下文再进行介绍）

检测问题的数据增强：

TeddyZhang：目标检测：数据增强（Numpy+Pytorch）​ zhuanlan.zhihu.com

由于transforms的输入规定为PIL文件格式，所以我们需要使用PIL.Image模块

读取图片

import PIL.Image as Image
import os
from torchvision import transforms as transforms
outfile = './samples'
im = Image.open('./test.jpg')
im.save(os.path.join(outfile, 'test.jpg'))

• 随机比例缩放

new_im = transforms.Resize((100, 200))(im)
print(f'{im.size}---->{new_im.size}')
new_im.save(os.path.join(outfile, '1.jpg'))

• 随机位置裁剪

new_im = transforms.RandomCrop(100)(im) # 裁剪出100x100的区域
new_im.save(os.path.join(outfile, '2_1.jpg'))
new_im = transforms.CenterCrop(100)(im)
new_im.save(os.path.join(outfile, '2_2.jpg'))

• 随机水平/垂直翻转

new_im = transforms.RandomHorizontalFlip(p=1)(im) # p表示概率
new_im.save(os.path.join(outfile, '3_1.jpg'))
new_im = transforms.RandomVerticalFlip(p=1)(im)
new_im.save(os.path.join(outfile, '3_2.jpg'))

• 随机角度旋转

new_im = transforms.RandomRotation(45)(im) #随机旋转45度
new_im.save(os.path.join(outfile, '4.jpg'))

• 色度、亮度、饱和度、对比度的变化

new_im = transforms.ColorJitter(brightness=1)(im)
new_im = transforms.ColorJitter(cOntrast=1)(im)
new_im = transforms.ColorJitter(saturation=0.5)(im)
new_im = transforms.ColorJitter(hue=0.5)(im)
new_im.save(os.path.join(outfile, '5_1.jpg'))

只显示其中一张图：

• 进行随机的灰度化

new_im = transforms.RandomGrayscale(p=0.5)(im) # 以0.5的概率进行灰度化
new_im.save(os.path.join(outfile, '6_2.jpg'))

• Padding (将原始图padding成正方形)

new_im = transforms.Pad((0, (im.size[0]-im.size[1])//2))(im) # 原图为（500,313）
new_im.save(os.path.join(outfile, '7.jpg'))

使用Compose函数生成一个PiPeLine

data_transform={'train':transforms.Compose([
transforms.RandomHorizontalFlip(),
transforms.Resize(image_size),
transforms.CenterCrop(image_size),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),

经过这样处理后，我们就可以直接使用data_transform来进行图像的变换

总结

对于分类问题来说，我们不管怎么进行图像的变化，不管从尺度还是色彩等，其标签不会发生变化，但是对于目标检测问题来说，就不可以这样了，因为图片尺度变化后，在训练阶段其对应的标签也会发生变化，所以需要对变换后的图片进行标签的处理~我们下回分解~~