Преобразование пакетов для увеличения данных изображения
Хранилище данных дополненного изображения преобразует пакеты данных обучения, проверки, тестирования и прогнозирования с дополнительной предварительной обработкой, такой как изменение размеров, поворот и отражение. Измените размер изображений, чтобы сделать их совместимыми с размером входных данных вашей сети глубокого обучения. Дополните данные обучающего изображения рандомизированными операциями предварительной обработки, чтобы предотвратить переоборудование сети и запоминание точных деталей обучающих изображений.
Для обучения сети с использованием дополненных изображений поставьте augmentedImageDatastore кому trainNetwork. Дополнительные сведения см. в разделе Изображения предварительной обработки для глубокого обучения.
При использовании хранилища данных дополненного изображения в качестве источника обучающих изображений хранилище данных случайным образом возмущает данные обучения для каждой эпохи, так что каждая эпоха использует немного другой набор данных. Фактическое количество тренировочных изображений в каждую эпоху не меняется. Преобразованные изображения не хранятся в памяти.
Один imageInputLayer нормализует изображения, используя среднее из дополненных изображений, а не среднее из исходного набора данных. Это среднее значение рассчитывается один раз для первой дополненной эпохи. Все остальные эпохи используют одно и то же средство, чтобы средний образ не менялся во время тренировок.
По умолчанию - augmentedImageDatastore изменяет размер изображений только в соответствии с размером вывода. Можно настроить параметры для дополнительных преобразований изображений с помощью imageDataAugmenter.
auimds = augmentedImageDatastore(outputSize, создает хранилище данных дополненного изображения для проблем классификации с использованием изображений из хранилища данных изображения imds)imdsи устанавливает OutputSize
auimds = augmentedImageDatastore(outputSize, создает хранилище данных дополненного изображения для прогнозирования откликов данных изображения в массиве X)X.
auimds = augmentedImageDatastore(outputSize, создает хранилище данных дополненного изображения для проблем классификации и регрессии. Таблица, tbl)tbl, содержит предикторы и ответы.
auimds = augmentedImageDatastore(outputSize, создает хранилище данных дополненного изображения для проблем классификации и регрессии. Таблица, tbl,responseNames)tbl, содержит предикторы и ответы. responseNames аргумент задает переменные ответа в tbl.
auimds = augmentedImageDatastore(___,Name,Value) создает хранилище данных дополненного изображения, используя пары имя-значение для установки ColorPreprocessingDataAugmentationOutputSizeModeDispatchInBackground
Например, augmentedImageDatastore([28,28],myTable,'OutputSizeMode','centercrop') создает хранилище данных дополненного изображения, которое отсеивает изображения из центра.
combine | Объединение данных из нескольких хранилищ данных |
hasdata | Определение доступности данных для чтения |
numpartitions | Количество разделов хранилища данных |
partition | Разделение хранилища данных |
partitionByIndex | Разделение augmentedImageDatastore по индексам |
preview | Предварительный просмотр подмножества данных в хранилище данных |
read | Считывание данных из augmentedImageDatastore |
readall | Считывание всех данных в хранилище данных |
readByIndex | Считывание данных, указанных индексом из augmentedImageDatastore |
reset | Сброс хранилища данных в исходное состояние |
shuffle | Перетасовка данных в augmentedImageDatastore |
subset | Создание подмножества хранилища данных или набора файлов |
transform | Преобразовать хранилище данных |
isPartitionable | Определение возможности разделения хранилища данных |
isShuffleable | Определение возможности тасования хранилища данных |
Обучение сверточной нейронной сети с использованием данных дополненного изображения. Увеличение объема данных помогает предотвратить переоборудование сети и запоминание точных деталей обучающих изображений.
Загрузите образец данных, который состоит из синтетических изображений рукописных цифр.
[XTrain,YTrain] = digitTrain4DArrayData;
digitTrain4DArrayData загружает набор обучающих цифр 4-D виде данных массива. XTrain множество 28 на 28 на 1 на 5000, где:
28 - высота и ширина изображений.
1 - количество каналов.
5000 - количество синтетических изображений рукописных цифр.
YTrain - категориальный вектор, содержащий метки для каждого наблюдения.
Отложите 1000 изображений для проверки сети.
idx = randperm(size(XTrain,4),1000); XValidation = XTrain(:,:,:,idx); XTrain(:,:,:,idx) = []; YValidation = YTrain(idx); YTrain(idx) = [];
Создание imageDataAugmenter объект, определяющий параметры предварительной обработки для увеличения изображения, такие как изменение размера, поворот, перемещение и отражение. Случайное перемещение изображений до трех пикселей по горизонтали и вертикали и поворот изображений на угол до 20 градусов.
imageAugmenter = imageDataAugmenter( ... 'RandRotation',[-20,20], ... 'RandXTranslation',[-3 3], ... 'RandYTranslation',[-3 3])
imageAugmenter =
imageDataAugmenter with properties:
FillValue: 0
RandXReflection: 0
RandYReflection: 0
RandRotation: [-20 20]
RandScale: [1 1]
RandXScale: [1 1]
RandYScale: [1 1]
RandXShear: [0 0]
RandYShear: [0 0]
RandXTranslation: [-3 3]
RandYTranslation: [-3 3]
Создание augmentedImageDatastore объект, используемый для обучения сети, и укажите размер вывода изображения. Во время обучения хранилище данных выполняет увеличение изображения и изменяет его размер. Хранилище данных дополняет изображения, не сохраняя их в памяти. trainNetwork обновляет параметры сети и затем отбрасывает дополненные изображения.
imageSize = [28 28 1];
augimds = augmentedImageDatastore(imageSize,XTrain,YTrain,'DataAugmentation',imageAugmenter);Укажите архитектуру сверточной нейронной сети.
layers = [
imageInputLayer(imageSize)
convolution2dLayer(3,8,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(3,16,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(3,32,'Padding','same')
batchNormalizationLayer
reluLayer
fullyConnectedLayer(10)
softmaxLayer
classificationLayer];Укажите варианты обучения стохастического градиентного спуска с импульсом.
opts = trainingOptions('sgdm', ... 'MaxEpochs',15, ... 'Shuffle','every-epoch', ... 'Plots','training-progress', ... 'Verbose',false, ... 'ValidationData',{XValidation,YValidation});
Обучение сети. Поскольку изображения проверки не увеличиваются, точность проверки превышает точность обучения.
net = trainNetwork(augimds,layers,opts);
Можно визуализировать множество преобразованных изображений на одном рисунке с помощью imtile функция. Например, этот код отображает один мини-пакет преобразованных изображений из хранилища данных дополненного изображения с именем auimds.
minibatch = read(auimds); imshow(imtile(minibatch.input))
По умолчанию изменение размера является единственной операцией предварительной обработки изображений. Включить дополнительные операции предварительной обработки с помощью DataAugmentationimageDataAugmenter объект. Каждый раз, когда изображения считываются из хранилища данных дополненного изображения, к каждому изображению применяется различная случайная комбинация операций предварительной обработки.