我目前正在尝试制作一个程序，仅根据外观来区分腐烂的橙子和可食用的橙子。为此，我计划使用卷积神经网络对烂橙子和正常橙子进行训练。经过一番搜索，我只能找到一个大约的数据库。黑色背景上的 150 个烂橙子和 150 个普通橙子 (http://www.cofilab.com/downloads/)。显然，机器学习模型至少需要几千个橙子才能达到 90% 以上的准确度。但是，我可以以某种方式更改这 150 个橙子以生成更多橙子照片吗？通过改变，我的意思是在柑橘类水果上添加不同深浅的橙色来制作“不同的橙色”。这会是训练神经网络的有效方法吗？
【问题讨论】：
标签： machine-learning computer-vision neural-network conv-neural-network training-data
这是增加约会次数的好方法。您将做什么取决于您的数据。例如，如果您正在对从传感器获得的数据进行训练，您可能希望在训练数据中添加一些噪声，以便增加数据集。毕竟，您可以预料到稍后传感器会发出一些噪音。
假设您将在图像上对其进行训练，这里有一个非常好的 github 存储库，它提供了使用这些技术的方法。这个 Python 库可帮助您为机器学习项目增加图像。它将一组输入图像转换为一组新的、更大的、稍微改变的图像。 链接：https://github.com/aleju/imgaug
特点：
大多数可用的标准增强技术。
技术可以应用于图像和关键点/地标 图片。在开始时定义一次增强序列 实验，然后多次应用。
为每个增强定义灵活的随机范围，例如“旋转 每个图像由 -45 到 45 度之间的值”或“旋转每个图像 图像由从正态分布 N(0, 5.0) 中采样的值"。
轻松将所有随机范围转换为确定性值 以完全相同的方式增加不同批次的图像 （例如图像及其热图）。
【讨论】：
数据增强正是您所寻找的。在你的情况下，你可以做不同的事情：
应用滤镜以获得略有不同的图像，正如前面所说，您可以使用高斯模糊。
剪下橘子，放在不同的背景中。
用不同的比例因子缩放橙子。
旋转图像。
制作合成的烂橙子。
混合前面提到的所有不同组合。通过这种增强，您可以轻松创建数千种不同的橙子。
我用 12000 张图像的数据集做了类似的事情，我可以创建 630000 个样本
【讨论】：
这确实是增加数据集的好方法。例如，您可以对图像应用高斯模糊。它们会变得模糊，但与原来的不同。您也可以反转图像。或者，在最后一种情况下，寻找新图像并应用所引用的技术。
【讨论】：
数据增强确实是提升训练集的好方法，但仍然不足以单独训练深度网络，因为它可能会过度拟合。您应该查看域适应，在其中采用预训练模型（例如在 imagenet 数据集上训练的 inception）并针对您的问题对其进行微调。由于您只需学习对用例进行分类所需的参数，因此可以使用相对较少的可用训练数据来实现良好的准确性。我已经使用这种技术here 主持了一个分类演示。用你的数据集试试看它是否有帮助。该演示负责预训练模型以及您将上传的数据集的数据增强。
【讨论】：