在 Keras 中使用 imagedatagenerator 添加更多的训练数据集

Question

我有汽车图像，我的目标是扩展我的训练数据集，我想将新生成的图像和原始图像结合起来，并基于它们训练一个深度神经网络来执行分类任务。

来自这篇博文： https://www.pyimagesearch.com/2019/07/08/keras-imagedatagenerator-and-data-augmentation/

“Keras ImageDataGenerator 类不是“加法”操作。它不会获取原始数据，随机变换它，然后返回原始数据和变换后的数据。”

你建议用什么方法来扩展数据集？

Answer 1

虽然 Keras ImageDataGenerator 不是您所说的加法运算，但如果您想在增强图像上训练模型，它仍然可以帮助您。以下是 ImageDataGenerator 的工作原理：您指定图像的目录和增强参数，然后在每个训练阶段，生成器获取图像并对其进行转换。因此，这意味着如果您总共有 300 张图像，那么使用 ImageDataGenerator 您将在每个 epoch 中获得 300 张不同的转换图像。

如果不是您想要的方式，您可以尝试其他方式。使用 OpenCV 库读取图像并通过一些转换（例如缩放、剪切等）将其副本保存到一个目录中。这样，您可以在每个 epoch 制作任意数量的图像。当您制作它们时，请使用不带任何参数的 ImageDataGenerator。这里有一个问题 - 图像总是相同的。在第一种情况下，每个时期的图像都应该不同。

要保存新的增强图像，您可以使用：

from tensorflow.keras.preprocessing.image import ImageDataGenerator
from PIL import Image
import numpy as np

image = Image.open('asd.png')
image = np.array(image)
image = np.expand_dims(image, 0)

data_generator = ImageDataGenerator(
    rotation_range=30,
)
for _, _ in zip(data_generator.flow(
    image, 
    save_to_dir=<DIR_NAME>,
    save_prefix=<PREFIX>,
    save_format='png'
), range(N)):
    pass

其中 N 是您要使用 1 个基本图像创建的增强图像的数量