목차
Resize/Rescale
자르기
RandomResizeCrop
Flipping
Padding
Rotation
Random Affine
Gaussian Blur
Grayscale
밝기
대비
Saturation
Hue
总结
기술 주변기기 일체 포함 일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Apr 11, 2023 pm 10:49 PM
기계 학습 딥러닝 데이터세트

머신 러닝 또는 딥 러닝 모델을 훈련하는 목표는 "보편적" 모델이 되는 것입니다. 이를 위해서는 모델이 훈련 데이터 세트에 과적합되지 않아야 합니다. 즉, 우리 모델이 보이지 않는 데이터를 잘 이해하고 있어야 합니다. 데이터 증대는 과적합을 방지하는 여러 방법 중 하나이기도 합니다.

모델 훈련에 사용되는 데이터의 양을 확장하는 과정을 데이터 증대라고 합니다. 여러 데이터 유형으로 모델을 훈련함으로써 보다 "일반화된" 모델을 얻을 수 있습니다. "다중 데이터 유형"이란 무엇을 의미합니까? 이 기사에서는 "이미지" 데이터 향상 기술에 대해서만 설명하고 다양한 이미지 데이터 향상 전략을 자세히 소개합니다. 또한 PyTorch를 사용하여 이미지 데이터나 컴퓨터 비전에 주로 사용되는 데이터 증강 기술을 실습하고 구현해 보겠습니다.

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약


데이터 강화 기술을 도입하기 때문이죠. 이미지만 사용하면 충분하므로 먼저 시각적 코드를 살펴보겠습니다.

import PIL.Image as Image
 import torch
 from torchvision import transforms
 import matplotlib.pyplot as plt
 import numpy as np
 import warnings
 
 def imshow(img_path, transform):
로그인 후 복사

Resize/Rescale

이 기능은 이미지의 높이와 너비를 원하는 특정 크기로 조정하는 데 사용됩니다. 아래 코드는 이미지 크기를 원래 크기에서 224 x 224로 조정하려는 것을 보여줍니다.

path = './kitten.jpeg'
 transform = transforms.Resize((224, 224))
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

자르기

이 기술은 선택한 이미지의 일부를 새 이미지에 적용합니다. 예를 들어 CenterCrop을 사용하면 가운데가 잘린 이미지를 반환할 수 있습니다.

transform = transforms.CenterCrop((224, 224))
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

RandomResizeCrop

이 방법은 자르기와 크기 조정을 동시에 결합합니다.

transform = transforms.RandomResizedCrop((100, 300))
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Flipping

이미지를 수평 또는 수직으로 뒤집으면 아래 코드는 이미지에 수평 뒤집기를 적용하려고 시도합니다.

transform = transforms.RandomHorizontalFlip()
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Padding

패딩은 이미지의 모든 가장자리에 지정된 양만큼 패딩으로 구성됩니다. 각 가장자리를 50픽셀로 채웁니다.

transform = transforms.Pad((50,50,50,50))
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Rotation

은 이미지에 임의의 회전 각도를 적용합니다. 이 각도를 15도로 설정하겠습니다.

transform = transforms.RandomRotation(15)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Random Affine

이 기술은 중심을 변경하지 않고 그대로 두는 변형입니다. 이 기술에는 몇 가지 매개변수가 있습니다.

  • 도: 회전 각도
  • translate: 수평 및 수직 이동
  • scale: 크기 조정 매개변수
  • share: 그림 자르기 매개변수
  • fillcolor: 이미지 외부 채우기 색상
transform = transforms.RandomAffine(1, translate=(0.5, 0.5), scale=(1, 1), shear=(1,1), fillcolor=(256,256,256))
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Gaussian Blur

Gaussian Blur를 사용하여 이미지가 흐려집니다.

transform = transforms.GaussianBlur(7, 3)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Grayscale

컬러 이미지를 회색조로 변환하세요.

transform = transforms.Grayscale(num_output_channels=3)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

색상 디더링이라고도 하는 색상 향상은 픽셀 값을 변경하여 이미지의 색상 속성을 수정하는 프로세스입니다. 다음 방법은 모두 색상 관련 작업입니다.

밝기

이미지의 밝기를 변경하면 원본 이미지에 비해 결과 이미지가 더 어두워지거나 밝아집니다.

transform = transforms.ColorJitter(brightness=2)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

대비

이미지에서 가장 어두운 부분과 가장 밝은 부분의 차이 정도를 대비라고 합니다. 이미지의 대비도 향상 기능으로 조정할 수 있습니다.

transform = transforms.ColorJitter(cnotallow=2)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Saturation

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약中颜色的分离被定义为饱和度。

transform = transforms.ColorJitter(saturatinotallow=20)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

Hue

色调被定义为일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약中颜色的深浅。

transform = transforms.ColorJitter(hue=2)
 imshow(path, transform)
로그인 후 복사

일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약

总结

图像本身的变化将有助于模型对未见数据的泛化,从而不会对数据进行过拟合。以上整理的都是我们常见的数据增强技术,torchvision中还包含了很多方法,可以在他的文档中找到:https://pytorch.org/vision/stable/transforms.html

위 내용은 일반적으로 사용되는 12가지 이미지 데이터 향상 기술 요약의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25 : Myrise에서 모든 것을 잠금 해제하는 방법
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

이 기사에서는 SHAP: 기계 학습을 위한 모델 설명을 이해하도록 안내합니다. 이 기사에서는 SHAP: 기계 학습을 위한 모델 설명을 이해하도록 안내합니다. Jun 01, 2024 am 10:58 AM

기계 학습 및 데이터 과학 분야에서 모델 해석 가능성은 항상 연구자와 실무자의 초점이었습니다. 딥러닝, 앙상블 방법 등 복잡한 모델이 널리 적용되면서 모델의 의사결정 과정을 이해하는 것이 특히 중요해졌습니다. explainable AI|XAI는 모델의 투명성을 높여 머신러닝 모델에 대한 신뢰와 확신을 구축하는 데 도움이 됩니다. 모델 투명성을 향상시키는 것은 여러 복잡한 모델의 광범위한 사용은 물론 모델을 설명하는 데 사용되는 의사 결정 프로세스와 같은 방법을 통해 달성할 수 있습니다. 이러한 방법에는 기능 중요도 분석, 모델 예측 간격 추정, 로컬 해석 가능성 알고리즘 등이 포함됩니다. 특성 중요도 분석은 모델이 입력 특성에 미치는 영향 정도를 평가하여 모델의 의사결정 과정을 설명할 수 있습니다. 모델 예측 구간 추정

ORB-SLAM3를 넘어! SL-SLAM: 저조도, 심한 흔들림, 약한 텍스처 장면을 모두 처리합니다. ORB-SLAM3를 넘어! SL-SLAM: 저조도, 심한 흔들림, 약한 텍스처 장면을 모두 처리합니다. May 30, 2024 am 09:35 AM

이전에 작성했던 오늘은 딥 러닝 기술이 복잡한 환경에서 비전 기반 SLAM(동시 위치 파악 및 매핑)의 성능을 향상할 수 있는 방법에 대해 논의합니다. 심층 특징 추출과 깊이 일치 방법을 결합하여 저조도 조건, 동적 조명, 질감이 약한 영역 및 심한 지터와 같은 까다로운 시나리오에서 적응을 향상하도록 설계된 다목적 하이브리드 시각적 SLAM 시스템을 소개합니다. 우리 시스템은 확장 단안, 스테레오, 단안 관성 및 스테레오 관성 구성을 포함한 여러 모드를 지원합니다. 또한 시각적 SLAM을 딥러닝 방법과 결합하여 다른 연구에 영감을 주는 방법도 분석합니다. 공개 데이터 세트 및 자체 샘플링 데이터에 대한 광범위한 실험을 통해 위치 정확도 및 추적 견고성 측면에서 SL-SLAM의 우수성을 입증합니다.

학습 곡선을 통해 과적합과 과소적합 식별 학습 곡선을 통해 과적합과 과소적합 식별 Apr 29, 2024 pm 06:50 PM

이 글에서는 학습 곡선을 통해 머신러닝 모델에서 과적합과 과소적합을 효과적으로 식별하는 방법을 소개합니다. 과소적합 및 과적합 1. 과적합 모델이 데이터에 대해 과도하게 훈련되어 데이터에서 노이즈를 학습하는 경우 모델이 과적합이라고 합니다. 과적합된 모델은 모든 예를 너무 완벽하게 학습하므로 보이지 않거나 새로운 예를 잘못 분류합니다. 과대적합 모델의 경우 완벽/거의 완벽에 가까운 훈련 세트 점수와 형편없는 검증 세트/테스트 점수를 얻게 됩니다. 약간 수정됨: "과적합의 원인: 복잡한 모델을 사용하여 간단한 문제를 해결하고 데이터에서 노이즈를 추출합니다. 훈련 세트로 사용되는 작은 데이터 세트는 모든 데이터를 올바르게 표현하지 못할 수 있기 때문입니다."

우주탐사 및 인간정주공학 분야 인공지능의 진화 우주탐사 및 인간정주공학 분야 인공지능의 진화 Apr 29, 2024 pm 03:25 PM

1950년대에는 인공지능(AI)이 탄생했다. 그때 연구자들은 기계가 사고와 같은 인간과 유사한 작업을 수행할 수 있다는 것을 발견했습니다. 이후 1960년대에 미국 국방부는 인공 지능에 자금을 지원하고 추가 개발을 위해 실험실을 설립했습니다. 연구자들은 우주 탐사, 극한 환경에서의 생존 등 다양한 분야에서 인공지능의 응용 분야를 찾고 있습니다. 우주탐험은 지구를 넘어 우주 전체를 포괄하는 우주에 대한 연구이다. 우주는 지구와 조건이 다르기 때문에 극한 환경으로 분류됩니다. 우주에서 생존하려면 많은 요소를 고려해야 하며 예방 조치를 취해야 합니다. 과학자와 연구자들은 우주를 탐험하고 모든 것의 현재 상태를 이해하는 것이 우주가 어떻게 작동하는지 이해하고 잠재적인 환경 위기에 대비하는 데 도움이 될 수 있다고 믿습니다.

C++에서 기계 학습 알고리즘 구현: 일반적인 과제 및 솔루션 C++에서 기계 학습 알고리즘 구현: 일반적인 과제 및 솔루션 Jun 03, 2024 pm 01:25 PM

C++의 기계 학습 알고리즘이 직면하는 일반적인 과제에는 메모리 관리, 멀티스레딩, 성능 최적화 및 유지 관리 가능성이 포함됩니다. 솔루션에는 스마트 포인터, 최신 스레딩 라이브러리, SIMD 지침 및 타사 라이브러리 사용은 물론 코딩 스타일 지침 준수 및 자동화 도구 사용이 포함됩니다. 실제 사례에서는 Eigen 라이브러리를 사용하여 선형 회귀 알고리즘을 구현하고 메모리를 효과적으로 관리하며 고성능 행렬 연산을 사용하는 방법을 보여줍니다.

설명 가능한 AI: 복잡한 AI/ML 모델 설명 설명 가능한 AI: 복잡한 AI/ML 모델 설명 Jun 03, 2024 pm 10:08 PM

번역기 | 검토자: Li Rui | Chonglou 인공 지능(AI) 및 기계 학습(ML) 모델은 오늘날 점점 더 복잡해지고 있으며 이러한 모델에서 생성되는 출력은 이해관계자에게 설명할 수 없는 블랙박스입니다. XAI(Explainable AI)는 이해관계자가 이러한 모델의 작동 방식을 이해할 수 있도록 하고, 이러한 모델이 실제로 의사 결정을 내리는 방식을 이해하도록 하며, AI 시스템의 투명성, 이 문제를 해결하기 위한 신뢰 및 책임을 보장함으로써 이 문제를 해결하는 것을 목표로 합니다. 이 기사에서는 기본 원리를 설명하기 위해 다양한 설명 가능한 인공 지능(XAI) 기술을 살펴봅니다. 설명 가능한 AI가 중요한 몇 가지 이유 신뢰와 투명성: AI 시스템이 널리 수용되고 신뢰되려면 사용자가 의사 결정 방법을 이해해야 합니다.

대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. 대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. Jul 25, 2024 am 06:42 AM

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

당신이 모르는 머신러닝의 5가지 학교 당신이 모르는 머신러닝의 5가지 학교 Jun 05, 2024 pm 08:51 PM

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.

See all articles