Настройка увеличения данных изображения
Центр увеличения данных изображения настраивает набор опций предварительной обработки для увеличения изображения, таких как изменение размеров, поворот и отражение.
imageDataAugmenter используется augmentedImageDatastore для формирования пакетов дополненных изображений. Дополнительные сведения см. в разделе Дополнительные изображения для обучения со случайными геометрическими преобразованиями.
aug = imageDataAugmenter создает imageDataAugmenter со значениями свойств по умолчанию, совместимыми с преобразованием идентификатора.
augment | Применение идентичных случайных преобразований к нескольким изображениям |
Создайте дополнительный модуль для обработки изображений перед обучением. Этот увеличитель вращает изображения на случайные углы в диапазоне [0, 360] градусов и изменяет размеры изображений на случайные масштабные коэффициенты в диапазоне [0,5, 1].
augmenter = imageDataAugmenter( ... 'RandRotation',[0 360], ... 'RandScale',[0.5 1])
augmenter =
imageDataAugmenter with properties:
FillValue: 0
RandXReflection: 0
RandYReflection: 0
RandRotation: [0 360]
RandScale: [0.5000 1]
RandXScale: [1 1]
RandYScale: [1 1]
RandXShear: [0 0]
RandYShear: [0 0]
RandXTranslation: [0 0]
RandYTranslation: [0 0]
Создайте хранилище данных дополненного изображения с помощью центра увеличения данных изображения. Для хранилища данных дополненного изображения также требуются образцы данных, метки и размер выходного изображения.
[XTrain,YTrain] = digitTrain4DArrayData;
imageSize = [56 56 1];
auimds = augmentedImageDatastore(imageSize,XTrain,YTrain,'DataAugmentation',augmenter)auimds =
augmentedImageDatastore with properties:
NumObservations: 5000
MiniBatchSize: 128
DataAugmentation: [1x1 imageDataAugmenter]
ColorPreprocessing: 'none'
OutputSize: [56 56]
OutputSizeMode: 'resize'
DispatchInBackground: 0
Предварительный просмотр случайных преобразований, примененных к первым восьми изображениям в хранилище данных изображения.
minibatch = preview(auimds); imshow(imtile(minibatch.input));
Просмотр различных случайных преобразований, примененных к одному набору изображений.
minibatch = preview(auimds); imshow(imtile(minibatch.input));
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);
Для предварительного просмотра преобразований, примененных к образцам изображений, используйте augment функция.
Для увеличения изображения во время обучения создайте augmentedImageDatastore и укажите параметры предварительной обработки с помощью 'DataAugmentation' пара имя-значение с imageDataAugmenter. Хранилище данных дополненного изображения автоматически применяет случайные преобразования к учебным данным.