keras 数据增强三种思路

深碍√TFBOYSˉ_ 2022-02-05 04:06 488阅读 0赞

任务描述：对原始图片与标注图片做相同的数据增强。保持标签与图片的一致。

最优选择：keras 可用，用起来简单，自己写的代码尽量少，避免出错。

[https://blog.csdn.net/qq\_28792801/article/details/80866234][https_blog.csdn.net_qq_28792801_article_details_80866234]

[https://blog.csdn.net/u010397980/article/details/88088025][https_blog.csdn.net_u010397980_article_details_88088025]

opencv的数据增强，显然需要自己写data generator 并且这代码看起来一点也不简洁，高集成，不推荐

[https://blog.csdn.net/sinat\_29957455/article/details/80629098][https_blog.csdn.net_sinat_29957455_article_details_80629098]

tensorflow随即裁剪，本质就一句代码

crop_img = tf.random_crop(img,[280,280,3])

也需要自己写generator，不过简洁多了

[https://nbviewer.jupyter.org/github/aleju/imgaug-doc/blob/master/notebooks/B05%20-%20Augment%20Segmentation%20Maps.ipynb][https_nbviewer.jupyter.org_github_aleju_imgaug-doc_blob_master_notebooks_B05_20-_20Augment_20Segmentation_20Maps.ipynb] 这个就很详细了。

[https://imgaug.readthedocs.io/en/latest/source/examples\_segmentation\_maps.html][https_imgaug.readthedocs.io_en_latest_source_examples_segmentation_maps.html]

imgaug 被mask rcnn使用的增强工具。

[https://stackoverflow.com/questions/38155836/data-augmentation-image-data-generator-keras-semantic-segmentation][https_stackoverflow.com_questions_38155836_data-augmentation-image-data-generator-keras-semantic-segmentation]

stackoverflow 上面的三个回答，一个建议自己写generator，还没看明白他的label图片或者说mask图片在哪，怎么保持一致被generator吃进去

有个回答说，可以用train\_on\_batch，这个倒是最简单的，但是我怀疑不是on the fly的方式，可能会对我这样的新手造成训练中出现莫名其妙的结果上不去的问题。

另一个回答说用zip把mask与图片统一。但是我目前使用generator要求按类别安排mask，比如88个类别，你得把一个场景的mask每个物体都取出来，投放到88个文件夹里面。才能使用官方提供的generator图片。

我的思路：

目前最保险的做法是把我的数据处理成官方的标准。

其实如果是offline的方式那就太容易了。生成图片那多简单，可是一旦和别的api结合，如果他没给你提供好的接口，你就得读他的代码，因为它的官方文档只适用于最普通的需求。并不能满足用户多种多样的，小众的任务。烦躁。而且也没有代码示例。对于我要解决的任务，我是一个代码也没见着。目前只能东拼西凑。

全靠官方一句话：[https://keras.io/zh/models/model/][https_keras.io_zh_models_model]

[https://blog.csdn.net/lwy\_520/article/details/83794238][https_blog.csdn.net_lwy_520_article_details_83794238]

这是同时对图片与标注进行相同的随机裁剪的代码。

[https_blog.csdn.net_qq_28792801_article_details_80866234]: https://blog.csdn.net/qq_28792801/article/details/80866234
[https_blog.csdn.net_u010397980_article_details_88088025]: https://blog.csdn.net/u010397980/article/details/88088025
[https_blog.csdn.net_sinat_29957455_article_details_80629098]: https://blog.csdn.net/sinat_29957455/article/details/80629098
[https_nbviewer.jupyter.org_github_aleju_imgaug-doc_blob_master_notebooks_B05_20-_20Augment_20Segmentation_20Maps.ipynb]: https://nbviewer.jupyter.org/github/aleju/imgaug-doc/blob/master/notebooks/B05%20-%20Augment%20Segmentation%20Maps.ipynb
[https_imgaug.readthedocs.io_en_latest_source_examples_segmentation_maps.html]: https://imgaug.readthedocs.io/en/latest/source/examples_segmentation_maps.html
[https_stackoverflow.com_questions_38155836_data-augmentation-image-data-generator-keras-semantic-segmentation]: https://stackoverflow.com/questions/38155836/data-augmentation-image-data-generator-keras-semantic-segmentation
[https_keras.io_zh_models_model]: https://keras.io/zh/models/model/
[https_blog.csdn.net_lwy_520_article_details_83794238]: https://blog.csdn.net/lwy_520/article/details/83794238