深度学习入门（四十）计算机视觉——图像增强

前言

核心内容来自博客链接1博客连接2希望大家多多支持作者
本文记录用，防止遗忘

计算机视觉——图像增强

课件

图像增强

增加一个已有数据集，使得有更多的多样性

• 在语言里面加入各种不同的背景噪音
• 改变图片的颜色和形状

• 使用增强数据训练

  仍然读取原始数据
  

  翻转

  

  切割

  从图片中切割一块，然后变形到固定形状

• 随机高宽比(e.g. [3/4,4/3])
• 随机大小(e.g.[8%,100%])
• 随机位置

• 

  颜色

  改变色调，饱和度，明亮度(e.g.[0.5,1.5])
  

  总结

  1、数据增广通过变形数据来获取多样性从而使得模型泛化性能更好
  2、常见图片增广包括翻转、切割、变色

  教材

  在卷积神经网络中，我们提到过大型数据集是成功应用深度神经网络的先决条件。 图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。 此外，应用图像增广的原因是，随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。 例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。 我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。 可以说，图像增广技术对于AlexNet的成功是必不可少的。在本节中，我们将讨论这项广泛应用于计算机视觉的技术。

  %matplotlib inline
  import torch
  import torchvision
  from torch import nn
  from d2l import torch as d2l
  

  1 常用的图像增广方法

  在对常用图像增广方法的探索时，我们将使用下面这个尺寸为$400\times 500$的图像作为示例。

  d2l.set_figsize()
  img = d2l.Image.open('../img/cat1.jpg')
  d2l.plt.imshow(img);
  

  
  大多数图像增广方法都具有一定的随机性。为了便于观察图像增广的效果，我们下面定义辅助函数apply。 此函数在输入图像img上多次运行图像增广方法aug并显示所有结果。

  def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
      Y = [aug(img) for _ in range(num_rows * num_cols)]
      d2l.show_images(Y, num_rows, num_cols, scale=scale)
  

  1.1 翻转和裁剪

  左右翻转图像通常不会改变对象的类别。这是最早且最广泛使用的图像增广方法之一。 接下来，我们使用transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的几率使图像向左或向右翻转。

  apply(img, torchvision.transforms.RandomHorizontalFlip())
  

  输出：
  
  上下翻转图像不如左右图像翻转那样常用。但是，至少对于这个示例图像，上下翻转不会妨碍识别。接下来，我们创建一个RandomFlipTopBottom实例，使图像各有50%的几率向上或向下翻转。

  apply(img, torchvision.transforms.RandomVerticalFlip())
  

  
  在我们使用的示例图像中，猫位于图像的中间，但并非所有图像都是这样。 在之前，我们解释了池化层可以降低卷积层对目标位置的敏感性。 另外，我们可以通过对图像进行随机裁剪，使物体以不同的比例出现在图像的不同位置。 这也可以降低模型对目标位置的敏感性。

  在下面的代码中，我们随机裁剪一个面积为原始面积10%到100%的区域，该区域的宽高比从0.5到2之间随机取值。 然后，区域的宽度和高度都被缩放到200像素。 在本节中（除非另有说明），a和b之间的随机数指的是在区间[a,b]中通过均匀采样获得的连续值。

  shape_aug = torchvision.transforms.RandomResizedCrop(
      (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
  apply(img, shape_aug)
  

  

  1.2 改变颜色

  另一种增广方法是改变颜色。 我们可以改变图像颜色的四个方面：亮度、对比度、饱和度和色调。 在下面的示例中，我们随机更改图像的亮度，随机值为原始图像的50%（$1-0.5$）到150%（$1+0.5$）之间。

  apply(img, torchvision.transforms.ColorJitter(
      brightness=0.5, contrast=0, saturation=0, hue=0))
  

  输出：
  

  同样，我们可以随机更改图像的色调。

  apply(img, torchvision.transforms.ColorJitter(
      brightness=0, contrast=0, saturation=0, hue=0.5))
  

  输出：

  

  我们还可以创建一个RandomColorJitter实例，并设置如何同时随机更改图像的亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）。

  color_aug = torchvision.transforms.ColorJitter(
      brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
  apply(img, color_aug)
  

  

  1.3 结合多种图像增广方法

  在实践中，我们将结合多种图像增广方法。比如，我们可以通过使用一个Compose实例来综合上面定义的不同的图像增广方法，并将它们应用到每个图像。

  augs = torchvision.transforms.Compose([
      torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
  apply(img, augs)
  

  输出；
  

  2 使用图像增广进行训练

  让我们使用图像增广来训练模型。 这里，我们使用CIFAR-10数据集，而不是我们之前使用的Fashion-MNIST数据集。 这是因为Fashion-MNIST数据集中对象的位置和大小已被规范化，而CIFAR-10数据集中对象的颜色和大小差异更明显。 CIFAR-10数据集中的前32个训练图像如下所示。

  all_images = torchvision.datasets.CIFAR10(train=True, root="../data",
                                            download=True)
  d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);
  

  输出：
  
  为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，且在预测过程中不使用随机操作的图像增广。 在这里，我们只使用最简单的随机左右翻转。 此外，我们使用ToTensor实例将一批图像转换为深度学习框架所要求的格式，即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0到1。

  train_augs = torchvision.transforms.Compose([
       torchvision.transforms.RandomHorizontalFlip(),
       torchvision.transforms.ToTensor()])
  
  test_augs = torchvision.transforms.Compose([
       torchvision.transforms.ToTensor()])
  

  接下来，我们定义一个辅助函数，以便于读取图像和应用图像增广。PyTorch数据集提供的transform参数应用图像增广来转化图像。

  def load_cifar10(is_train, augs, batch_size):
      dataset = torchvision.datasets.CIFAR10(root="../data", train=is_train,
                                             transform=augs, download=True)
      dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                      shuffle=is_train, num_workers=d2l.get_dataloader_workers())
      return dataloader
  

  2.1 多GPU训练

  我们在CIFAR-10数据集上训练ResNet-18模型。 回想一下多GPU训练的介绍。 接下来，我们定义一个函数，使用多GPU对模型进行训练和评估。当然，仍然可以进行单卡训练。

  def train_batch_ch13(net, X, y, loss, trainer, devices):
      """用多GPU进行小批量训练"""
      if isinstance(X, list):
          # 微调BERT中所需（稍后讨论）
          X = [x.to(devices[0]) for x in X]
      else:
          X = X.to(devices[0])
      y = y.to(devices[0])
      net.train()
      trainer.zero_grad()
      pred = net(X)
      l = loss(pred, y)
      l.sum().backward()
      trainer.step()
      train_loss_sum = l.sum()
      train_acc_sum = d2l.accuracy(pred, y)
      return train_loss_sum, train_acc_sum
  
  def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
                 devices=d2l.try_all_gpus()):
      """用多GPU进行模型训练"""
      timer, num_batches = d2l.Timer(), len(train_iter)
      animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
                              legend=['train loss', 'train acc', 'test acc'])
      net = nn.DataParallel(net, device_ids=devices).to(devices[0])
      for epoch in range(num_epochs):
          # 4个维度：储存训练损失，训练准确度，实例数，特点数
          metric = d2l.Accumulator(4)
          for i, (features, labels) in enumerate(train_iter):
              timer.start()
              l, acc = train_batch_ch13(
                  net, features, labels, loss, trainer, devices)
              metric.add(l, acc, labels.shape[0], labels.numel())
              timer.stop()
              if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                  animator.add(epoch + (i + 1) / num_batches,
                               (metric[0] / metric[2], metric[1] / metric[3],
                                None))
          test_acc = d2l.evaluate_accuracy_gpu(net, test_iter)
          animator.add(epoch + 1, (None, None, test_acc))
      print(f'loss {metric[0] / metric[2]:.3f}, train acc '
            f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
      print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
            f'{str(devices)}')
  

  现在，我们可以定义train_with_data_aug函数，使用图像增广来训练模型。该函数获取所有的GPU，并使用Adam作为训练的优化算法，将图像增广应用于训练集，最后调用刚刚定义的用于训练和评估模型的train_ch13函数。

  batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)
  
  def init_weights(m):
      if type(m) in [nn.Linear, nn.Conv2d]:
          nn.init.xavier_uniform_(m.weight)
  
  net.apply(init_weights)
  
  def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
      train_iter = load_cifar10(True, train_augs, batch_size)
      test_iter = load_cifar10(False, test_augs, batch_size)
      loss = nn.CrossEntropyLoss(reduction="none")
      trainer = torch.optim.Adam(net.parameters(), lr=lr)
      train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)
  

  让我们使用基于随机左右翻转的图像增广来训练模型。

  train_with_data_aug(train_augs, test_augs, net)
  

  输出：

  loss 0.177, train acc 0.938, test acc 0.835
  5616.3 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)]
  

  

  2.2 单GPU训练

  all_imges = torchvision.datasets.CIFAR10(train=True, root="~/Datasets/CIFAR", download=True)
  # all_imges的每一个元素都是(image, label)
  show_images([all_imges[i][0] for i in range(32)], 4, 8, scale=0.8);
  
  

  为了在预测时得到确定的结果，我们通常只将图像增广应用在训练样本上，而不在预测时使用含随机操作的图像增广。在这里我们只使用最简单的随机左右翻转。此外，我们使用ToTensor将小批量图像转成PyTorch需要的格式，即形状为(批量大小, 通道数, 高, 宽)、值域在0到1之间且类型为32位浮点数。

  flip_aug = torchvision.transforms.Compose([
       torchvision.transforms.RandomHorizontalFlip(),
       torchvision.transforms.ToTensor()])
  
  no_aug = torchvision.transforms.Compose([
       torchvision.transforms.ToTensor()])
  
  

  接下来我们定义一个辅助函数来方便读取图像并应用图像增广

  num_workers = 0 if sys.platform.startswith('win32') else 4
  def load_cifar10(is_train, augs, batch_size, root="~/Datasets/CIFAR"):
      dataset = torchvision.datasets.CIFAR10(root=root, train=is_train, transform=augs, download=True)
      return DataLoader(dataset, batch_size=batch_size, shuffle=is_train, num_workers=num_workers)
  
  

  我们在CIFAR-10数据集上训练（残差网络）中介绍的ResNet-18模型。

  我们先定义train函数使用GPU训练并评价模型。

  def train(train_iter, test_iter, net, loss, optimizer, device, num_epochs):
      net = net.to(device)
      print("training on ", device)
      batch_count = 0
      for epoch in range(num_epochs):
          train_l_sum, train_acc_sum, n, start = 0.0, 0.0, 0, time.time()
          for X, y in train_iter:
              X = X.to(device)
              y = y.to(device)
              y_hat = net(X)
              l = loss(y_hat, y)
              optimizer.zero_grad()
              l.backward()
              optimizer.step()
              train_l_sum += l.cpu().item()
              train_acc_sum += (y_hat.argmax(dim=1) == y).sum().cpu().item()
              n += y.shape[0]
              batch_count += 1
          test_acc = d2l.evaluate_accuracy(test_iter, net)
          print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f, time %.1f sec'
                % (epoch + 1, train_l_sum / batch_count, train_acc_sum / n, test_acc, time.time() - start))
  

  然后就可以定义train_with_data_aug函数使用图像增广来训练模型了。该函数使用Adam算法作为训练使用的优化算法，然后将图像增广应用于训练数据集之上，最后调用刚才定义的train函数训练并评价模型。

  def train_with_data_aug(train_augs, test_augs, lr=0.001):
      batch_size, net = 256, d2l.resnet18(10)
      optimizer = torch.optim.Adam(net.parameters(), lr=lr)
      loss = torch.nn.CrossEntropyLoss()
      train_iter = load_cifar10(True, train_augs, batch_size)
      test_iter = load_cifar10(False, test_augs, batch_size)
      train(train_iter, test_iter, net, loss, optimizer, device, num_epochs=10)
  

  下面使用随机左右翻转的图像增广来训练模型。

  train_with_data_aug(flip_aug, no_aug)
  
  

  3 小结

  1、图像增广基于现有的训练数据生成随机图像，来提高模型的泛化能力。
  2、为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，而在预测过程中不使用带随机操作的图像增广。
  3、深度学习框架提供了许多不同的图像增广方法，这些方法可以被同时应用。
  4、图像增广基于现有训练数据生成随机图像从而应对过拟合。
  5、可以从torchvision的transforms模块中获取有关图片增广的类。