TensorFlow2实战-系列教程4：数据增强

news2024/11/23 21:19:11

🧡💛💚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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1424965.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

前端入门第二天

前端入门第二天

目录 一、列表、表格、表单 二、列表（布局内容排列整齐的区域） 1.无序列表（不规定顺序） 2.有序列表（规定顺序） 3.定义列表（一个标题多个分类） 三、表格 1.表格结构标签 2.合并…
阅读更多...
【Node-RED】node-red-contrib-opcua-server模块使用（4）

【Node-RED】node-red-contrib-opcua-server模块使用（4）

【Node-RED】node-red-contrib-opcua-server模块使用（4） 前言实现模块使用plc模拟地址空间编写缺点 前言 基于前几则博文的研究，经过偶像的点播，茅塞顿开。本期博文主要介绍如何实现openServer 信息的中转，获取各个pl…
阅读更多...
2024年【中级消防设施操作员（考前冲刺）】找解析及中级消防设施操作员（考前冲刺）考试总结

2024年【中级消防设施操作员（考前冲刺）】找解析及中级消防设施操作员（考前冲刺）考试总结

题库来源：安全生产模拟考试一点通公众号小程序 2024年中级消防设施操作员（考前冲刺）找解析为正在备考中级消防设施操作员（考前冲刺）操作证的学员准备的理论考试专题，每个月更新的中级消防设施操作员&#…
阅读更多...
国外知名的农业机器人公司

国外知名的农业机器人公司

从高科技温室到云播种，农业机器人如何帮助农民填补劳动力短缺以及超市货架的短缺。 概要 “高科技农业”并不矛盾。当代农业经营更像是硅谷，而不是美国哥特式，拥有控制灌溉的应用程序、驾驶拖拉机的 GPS 系统和监控牲畜的带有 RFID 芯片的耳…
阅读更多...
【Linux】进程通信——共享内存+消息队列+信号量

【Linux】进程通信——共享内存+消息队列+信号量

欢迎来到Cefler的博客😁 🕌博客主页：折纸花满衣 🏠个人专栏：题目解析 🌎推荐文章：【LeetCode】winter vacation training 目录 👉🏻共享内存👉🏻关…
阅读更多...
亚马逊要怎么运营？亚马逊运营主要运营内容有哪些？

亚马逊要怎么运营？亚马逊运营主要运营内容有哪些？

一个店铺的成长发展少不了运营，而店铺的运营必须要有相关运营经验，才能将店铺做好，近几年亚马逊电商平台在不断的发展，亚马逊的运营模式非常独特，它借助于多种技术解决方案来提供最佳的客户体验。那么亚马逊要怎么运营…
阅读更多...
Java基础学习：System类和Static方法的实际使用

Java基础学习：System类和Static方法的实际使用

一、System类 1.在程序开发中，我们需要对这个运行的结果进行检验跟我们预判的结果是否一致，就会用到打印结果在控制台中显示出来使用到了System类。System类定义了一些和系统相关的属性和方法，它的属性和方法都是属于静态的，想使用…
阅读更多...
备战蓝桥杯---数据结构与STL应用（入门4）

备战蓝桥杯---数据结构与STL应用（入门4）

本专题主要是关于利用优先队列解决贪心选择上的“反悔”问题 话不多说，直接看题： 下面为分析： 很显然，我们在整体上以s[i]为基准，先把士兵按s[i]排好。然后，我们先求s[i]大的开始，即规定选人数…
阅读更多...
事件驱动架构：使用Flask实现MinIO事件通知Webhooks

事件驱动架构：使用Flask实现MinIO事件通知Webhooks

MinIO的事件通知可能一开始看起来并不激动人心，但一旦掌握了它们的力量，它们就能照亮您存储桶内的动态。事件通知是一个全面、高效的对象存储系统中的关键组件。Webhooks是我个人最喜欢的工具，用于与MinIO集成。它们在事件的世界中就像一把瑞…
阅读更多...
三轴 MEMS 加速度传感器

三轴 MEMS 加速度传感器

一、功能概述 1.1 设备简介 本模块为了对电机、风机、水泵等旋转设备进行预测性运维而开发，只需一 个模块，就可以采集电机的 3 路振动加速度信号（XYZ 轴）和一路温度信号， 防护等级 IP67 ，能够适应恶劣的工…
阅读更多...
aspose-words基础功能演示

aspose-words基础功能演示

我们在Aspose.Words中使用术语“渲染”来描述将文档转换为文件格式或分页或具有页面概念的介质的过程。我们正在讨论将文档呈现为页面。下图显示了 Aspose.Words 中的渲染情况。 Aspose.Words 的渲染功能使您能够执行以下操作： 将文档或选定页面转换为 PDF、XPS、H…
阅读更多...
C++ 单一附合导线平差程序

C++ 单一附合导线平差程序

一、以下图附合导线为例，图形如下： 二、第一步，读取测量数据，读取界面设计如下： 读取数据文本文件格式如下： （1）已知点坐标数据格式： （2）角度观测…
阅读更多...
中仕公考：公务员和事业单位哪个更难?

中仕公考：公务员和事业单位哪个更难?

公务员有稳定的职位和福利待遇，一直是众多求职者的选择，事业单位招聘也吸引着大量求职者，许多人都在纠结于公务员和事业单位考试应该怎么选择。 先来看看公务员考试，公务员考试主要包括国家公务员考试和省级公务员考试。国家公务…
阅读更多...
vue3动态循环引入本地静态图片资源

vue3动态循环引入本地静态图片资源

解决方法一 根据官网的提示，我找到了最简单的方法，就是在将asset 前面加上src。 解决方法二 关于第二个方法，官网说：“实际上，Vite 并不需要在开发阶段处理这些代码！在生产构建时，Vite 才会进行…
阅读更多...
Git命令窗口：创建一个.bashrc文件，别名实现git log （代替冗余的指令）查询提交修改日志功能

Git命令窗口：创建一个.bashrc文件，别名实现git log （代替冗余的指令）查询提交修改日志功能

在我们的用户下创建一个.bashrc文件，然后添加如下代码。即可实现我们命令窗口由于每次想要看到好的效果而输入几条指令的问题。 这里我们就只需要使用 git-log 代替我们的git log。这样在命令窗口看到的效果就清晰明了。
阅读更多...
在Android Studio中配置OpenCV

在Android Studio中配置OpenCV

在Android Studio中配置OpenCV 1 下载OpenCV2 导入OpenCV模块3 修改配置4 增加依赖5 拷贝libopencv_java.so6 Activity中加入代码1 下载OpenCV 下载OpenCV的Android包并解压。 2 导入OpenCV模块 在Android应用中，导入OpenCV模块。 导入目录时选择Opencv Android中的sdk目…
阅读更多...
铁轨语义分割（Unet结合resnet系列）

铁轨语义分割（Unet结合resnet系列）

数据介绍 一类是图片，一类是图像标签。 引入库，处理数据 import torch.nn as nn import torch import torch.nn.functional as F import os from PIL import Image import torch from torch.utils.data import Dataset import torchvision.transfor…
阅读更多...
分布式事务（二）—— CAP和Base理论

分布式事务（二）—— CAP和Base理论

系列目录： 《分布式事务（一）—— 事务的基本概念》 一、CAP理论 cap理论是分布式系统的理论基石 1、Consistency[一致性] 即操作成功并返回客户端后，所有节点在同一时间的数据完全一致，这就是分布式的一致性。一致…
阅读更多...
分享个前端工具-取色调色工具

分享个前端工具-取色调色工具

这里虽然贴了两个，但推荐 Pipette. PipetteWin22.10.22.zip: https://download.csdn.net/download/rainyspring4540/88799632 图标： 界面： ColorPix https://download.csdn.net/download/rainyspring4540/88799642 图标： 界面…
阅读更多...
在Windows11的WSL上运行Llama2-7b-chat 后记

在Windows11的WSL上运行Llama2-7b-chat 后记

往期的Llama2-7b-chat中我们试用了官方的demo，但是那个demo只能在代码中传入固定的对话，我稍微修改了一下，使其能在命令行中不间断对话（不具备记忆功能） 代码 import os import torch os.environ[PL_TORCH_DISTRIBUT…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023