Gonflage des données d'entraînement [Image Date Generator]

Gonflage des données d'entraînement [Image Date Generator] from keras.preprocessing.image import load_img,img_to_array,ImageDataGenerator, array_to_img # import matplotlib.pyplot as plt from keras_preprocessing.image import list_pictures import os from PIL import Image

---- Classe à classer ---

classes = ["chien", "chat", "oiseau"]

---- Définir la taille de l'image ----

img_width, img_height = 1600, 1200

---- Définition du répertoire ----

DATA_DIR = [""] * len(classes)
SAVE_DIR = [""] * len(classes)
for i in range(len(classes)):
    DATA_DIR[i] = 'input/' + classes[i]

SAVE_DIR [i] = os.path.join ('output /', classes [i]) # Répertoire dans lequel l'image générée est enregistrée if not os.path.exists(SAVE_DIR[i]): os.makedirs(SAVE_DIR[i])

#Load image (image au format PIL) # img = load_img(IMAGE_FILE)

coller

# plt.imshow(img)

Afficher

# plt.show()

Rotation: -15 ~ 15

Mouvement parallèle vertical: mouvement de -0,8 ~ 1,2%

Mouvement parallèle gauche-droite: mouvement de -0,8 à 1,2%

#Shear: cisaillement de -5 degrés à 5 degrés

Agrandissement / réduction: agrandissement / réduction de 0,8 ~ 1,2%

Modification de la luminosité: ajoutez une valeur de pixel dans la plage de -5,0 à 5,0

Ajouter une valeur à chaque valeur de pixel: modifiez la valeur dans la plage de 0,3 à 1,0

datagen = ImageDataGenerator(
    rotation_range=15,
    height_shift_range=0.2,
    width_shift_range=0.2,
    shear_range=5,
    zoom_range=0.2,
   channel_shift_range=5,
   brightness_range=[0.3, 1.0]
)

for i in range(len(classes)):
    for picture in list_pictures(DATA_DIR[i]):
        img = img_to_array(load_img(picture, target_size=(img_height, img_width)))

Convertir en # tableau numpy x = img_to_array(img)

Convertir en tableau à 4 dimensions

        # x = np.expand_dims(x, axis=0)
        x = x.reshape((1,) + x.shape)

        # print(x.shape)

        g = datagen.flow(x, batch_size=1, save_to_dir=SAVE_DIR[i], save_prefix='out', save_format='jpg')
        for j in range(3):
            batches = g.next()

(1, taille verticale, taille horizontale, nombre de canaux)

            # print(batches.shape)

#Pour afficher sous forme d'image, passez des données 4D aux données 3D et passez d'un tableau à une image. gen_img = array_to_img(batches[0])

            # plt.subplot(8, 8, i + 1)
            # plt.imshow(gen_img)
            # plt.axis('off')

Recommended Posts

Gonflage des données d'entraînement [Image Date Generator]
Image d'apprentissage gonflée
Ensemble de données pour l'apprentissage automatique
Reconnaissance d'image par apprentissage profond 1 théorie
Notes d'apprentissage sur l'analyse des données Python
Conversion de type de données d'image [Python]