previous work：

开启第三个作业食物分类，

有的人找不到数据集地址放一个：ml2021spring-hw3 | Kaggle

前言：

这个作业每类带标签的数据很少，然后又是可以看到的真实的图片，一般面对这种，我们都需要做数据增广。所以着part1 我们就一起来探索数据增广的方式。

先说说我对数据增广的理解。众所周知，数据增广的方式有很多，然后我们该选哪种呢？好吧我承认我非常的想用autoaugment 但是那个需要高版本的torchvision 我等会装了再试试。

不过没用auto 我用的是albumentations 这个模块。听说这个模块很快今天来试试吧！不过这个albu真的很奇怪需要像下面这样用。

train_trans = A.Compose([A.RandomResizedCrop(224,224),
])

        x = self.x[index]if self.transform != None:xT = self.transform(image=x)y = self.y[index]return  self.toTensor(xT['image']), y, x

增广实验：

一：随机裁剪并且resize

A.RandomResizedCrop(224,224),

下图左是原图右边是裁剪我我看了看大概看9个只有1个增广后分不清有时候都能看清所以这种增广还是不错的。而且考虑到拍摄食物时镜头远近不一样所以这种增广我觉得很合适这个数据集。

二：放射变换：

A.Affine()

这个小幅度的可以接受但是大幅度的就会很离谱出现一大片黑色。待定。

A.PiecewiseAffine()  这个是从中间放射  会变得挺奇怪

3 中心裁剪

A.CenterCrop(180,180)

这个是可以的而且到时候可以取256 然后裁剪224

四：粗粒度丢弃

A.CoarseDropout(8 ,8， 8)

我觉得不行至少下面这个不行这两个参数可以调整黑洞的数量长宽其实小的还是可以接受的

五裁剪

可能有用但是我不想手动指定对不起注意C大写

A.Crop( 0,0,100,100)

六：裁剪并填充还有其他裁剪都很类似

A.CropAndPad(px=100)  这个就是 缩小啊  不是裁剪  px是像素 也可以用比例   我觉得 这个  不太行  很少 有这种拍摄环境把 +

A.RandomCropNearBBox()   需要加一个 bbox 使用   应该取这个框里的 然后随机 变

transform(image=x, cropping_bbox=[20,20, 80 ,80])

七：弹性变换

A.ElasticTransform()

我觉得不行不行实在是太搞笑了看那个鸡蛋就是随机拉然后复制

八翻转

A.Flip() 就是随机翻转上下翻转不是很适合这个数据集有些东西没有倒过来放的道理

所以左右翻转比较好一点。： A.HorizontalFlip() 左右翻转大部分还跟原来差不多。

9 扭曲：

A.GridDistortion(distort_limit=0.6)

A.OpticalDistortion(distort_limit=0.5, p =1)

  其实还可以  扭曲程度低 一点可以接受  0.6的扭曲 还是可以看出来一个样子的  注意p是 0.5

10 保持比例resize

A.LongestMaxSize(max_size=50, p =0.5)

很难看出来差别但是也不好用因为我们网络输入一般要固定就是把最长边设为maxsize 然后resize

11 填充

A.PadIfNeeded()   这啥 啊  好吧 就是对称填充  然后 如果边上少一点就可以这样  如果填充很多倍就是地毯。。。

12 ：透视法

A.Perspective(scale=(0.5,0.6))   如果度数小了 没啥意义  大了  就看不出来东西了 会把视角放在 物体表面

14 旋转

A.Rotate(( -45,45), p =1)   旋转  我觉得在一定角度内的旋转还可以

------------------------------------------------------------------------------------------------------------------------------

像素变换

上面都是空间变换下面我们看看。

1 模糊

彻底弄懂高斯模糊,均值模糊和中值模糊_66Kevin的博客-CSDN博客_均值模糊

A.Blur(blur_limit=10,p =1)

     就是跟近视了一样  感觉实际工程中可能有用 有时候照片没拍好 就这样子

 A.GlassBlur(p=1)    和                  A.GaussianBlur()

A.MedianBlur(p=1)  中值模糊  使用具有随机孔径线性大小的中值滤波器模糊输入图像

A.MotionBlur(p=1)   运动模糊  像一个运动中的物体  这个数据集不适合 。 人脸识别可能有用

2 对比度受限的自适应直方图均衡啥啊？

应该就是加一组自适应直方图他的对比度是受限的如果把限制打到100 就很奇怪了不过下面啥啊恐怖片吗其实可以尝试因为拍摄的曝光不同的话

3 通道丢失

A.ChannelDropout(p=1)    这个好啊  就是换了个光源嘛  下面这些东西 换个灯依然能看出是啥

当然除了那个黑咕隆咚的

通道转换：

ChannelShuffle(p=1)  感觉跟上面那个差不多    但我拒绝  因为这个 真的很多 我都分不出来了

4 Colorjitter

A.ColorJitter(p=1)  随机改变图像的亮度、对比度和饱和度   好吧 我不得不承认 像素变换这边都是一堆乱七八糟的  矮个里挑高个就成。

5 下采样

A.Downscale(p=1)    这个必须可以   就是模糊一点 。

5 抽象画（浮雕）

A.Emboss(alpha=(0.1, 1),p=1)

抽象画是我自己起的名字其实感觉就是把一个东西画出来一样刻版还可以挺好看的

6 均衡化

A.Equalize(p=1)   直方图均衡化 (Histogram Equalization) 就是把一个已知灰度概率密度分布的图像经过一种变换，使之演变为一幅具有均匀灰度概率密度分布的新图像。  说白了 就是图像像素分布均匀一点 不要有的地方很白 有的地方很黄    这个吧  我有点嫌恶心 再见

7 图片借用

用另外的图片对数据进行增强

target_image = cv2.imread('1.jpg')

A.FDA(reference_images=[target_image],p1,read_fn=lambda x: x)    FDA是一个小的风格迁移  但是 你这是咋迁的呀 .......

A.HistogramMatching(reference_images=[target_image],p=1,read_fn=lambda x: x)

直方图均衡化

A.PixelDistributionAdaptation([target_image],p=1, read_fn=lambda x:x)

PCA一系列变换出的黑色料理

8 抽特征PCA

A.FancyPCA(p=1)

对于一张图抽出主要特征不是不可以好吧

9 噪声

高斯噪声

A.GaussNoise((10,200.0),p=1)   下面图 我打乱了顺序 你能看出哪个是原图吗   还有高斯模糊

iso噪声 A.ISONoise(p=1) 有点像用相机去拍，加个滤镜

A.MultiplicativeNoise(p=1)

乘性噪声乘性噪声就是伴随信号的噪声信号强噪声就大信号弱噪声就小

强者恒强但抱歉我喜欢的是共同富裕

我好讨厌空调啊啊啊啊啊啊啊为什么世界上有空调这种东西？？？？？？？？？？？？？？？头痛死了根本不想呆下去。

11：图像压缩

A.ImageCompression(quality_lower=20,p=1)  说实话 看不出来哪压缩了

12 翻转像素

A.InvertImg(p=1)  听着就不靠谱好嘛   不过 我觉得吧 其实翻转和不反转 信息量都是一样的 也就是说 转了白转 对于一个网络 不过虽然信息量一样 但是对于不同图片还是不一样的

13 标准化

A.Normalize (p=1)

这个就不谈了有时候事情真的不能只看表象就像这个标准化明明把图片弄得人不人，鬼不鬼的但是大家就是都在用而且还都说效果好我是理解不能

14 改像素位数

A.Posterize(8,p=1)  反正是看不出啥 变化  想想也是 仅仅改变位数而已

15 切换每个通道像素值

A.RGBShift(p=1)  怎么了 输错了 是吗？ 还要换换

16 随机自然现象

下面是起雾了能看出来吗 A.RandomFog(0.6,p=1)

下面下雨啦 A.RandomRain(p=1)

下面有影子：

A.RandomShadow(p=1)

冬雪雪冬小大寒：A.RandomSnow(p=1)

？？？？谁开的远光灯啊没素质：随机太阳耀斑

A.RandomSunFlare(p=1)

17 ：随机色调曲线

A.RandomToneCurve(p=1)

18 锐化

锋利的剑锐利的眼

A.Sharpen((1,1),p=1)

19 日化

A.Solarize(p=1)

有点像红外图

20 超像素

随机挑出一些幸运区域被附近的平均像素替代这个有点像那个马赛克

A.Superpixels(p=1)

21 灰度

哦我亲爱的食物们你们死的好惨啊

A.ToGray(p=1)

22 棕褐色

A.ToSepia(p=1)    是墨镜 我带了棕褐色的墨镜

23 还有一些增强方式我没更新到最新版本所以就没有

我来回顾一下我想用在食物分类这个数据集上的增强方式都有哪些呢？

train_trans = A.Compose([A.RandomResizedCrop(224,224),A.CenterCrop(224,224),A.CoarseDropout(8 ,8, 8),A.HorizontalFlip(),A.OpticalDistortion(distort_limit=0.5, p =1),A.Rotate(( -45,45), p =1),A.MedianBlur(p=1),A.ChannelDropout(p=1),A.ColorJitter(p=1),A.Downscale(p=1),A.Emboss(alpha=(0.1, 1),p=1),A.FancyPCA(p=1),A.ISONoise(p=1),A.Normalize (p=1),A.RandomToneCurve(p=1),A.Sharpen((0.2,0.6),p=1),A.Superpixels(p=1),
])

大概就这么些我觉得可以试试的其中标准化可以存疑。

试了一下感觉小量数据集上其实两个的速度差不多

数据增广albumentations用法 -借例 hw3 食物分类-相关推荐

pytorch数据增广albumentations
pytorch数据增广albumentations 图像增强库官方英文介绍安装 pip install albumentations 支持的目标检测bbox格式 pascal_voc [x_min, ...
【深度学习】基于深度学习的数据增广技术一览
◎作者系极市原创作者计划特约作者Happy 周末在家无聊,偶然兴心想对CV领域常用的数据增广方法做个简单的调研与总结,重点是AI时代新兴的几种反响还不错的方法.各种第三方与官方实现代码等.那么今天由H ...
基于深度学习的数据增广技术一览
周末在家无聊,偶然兴心想对CV领域常用的数据增广方法做个简单的调研与总结,重点是AI时代新兴的几种反响还不错的方法.各种第三方与官方实现代码等.那么今天由Happy来跟大家聊一聊深度学习中那些常用的数 ...
常用数据增广方法，解决数据单一问题
Datawhale干货作者:陈信达,Datawhale优秀学习者寄语:本文将对传统图像算法的数据增广方式进行学习,以最常用的平移和旋转为例,帮助大家梳理几何变换的概念和应用,并对其在OpenCV的 ...
计算机视觉的数据增广技术大盘点！附涨点神器，已开源！
如果要把深度学习开发过程中几个环节按重要程度排个序的话,相信准备训练数据肯定能排在前几位.要知道一个模型网络被编写出来后,也只是一坨代码而已,和智能基本不沾边,它只有通过学习大量的数据,才能学会如何作 ...
【工大SCIR笔记】自然语言处理领域的数据增广方法
点击上方,选择星标或置顶,每天给你送干货! 作者:李博涵来自:哈工大SCIR 1.摘要本文介绍自然语言处理领域的数据增广方法.数据增广(Data Augmentation,也有人将Data Aug ...
论文理解【IL - 数据增广】 —— Adversarial Imitation Learning with Trajectorial Augmentation and Correction
标题:Adversarial Imitation Learning with Trajectorial Augmentation and Correction 发表:ICRA 2021 文章链接:Ad ...
嵌入式AI —— 6. 为糖葫芦加糖，浅谈深度学习中的数据增广
没有读过本系列前几期文章的朋友,需要先回顾下已发表的文章: 开篇大吉集成AI模块到系统中模型的部署 CMSIS-NN介绍从穿糖葫芦到织深度神经网络又和大家见面了,上次本程序猿介绍了CMSIS- ...
PaddleClas-图像分类中的8种数据增广方法(cutmix, autoaugment,..)
本文主要来源于PaddleClas这个代码仓库中的数据增广文档:https://github.com/PaddlePaddle/PaddleClas/blob/master/docs/zh_CN/ad ...

数据增广albumentations用法 -借例 hw3 食物分类-

previous work：

前言：

增广实验 ：

一 ： 随机裁剪并且resize

二 ： 放射变换 ：