本文主要是介绍方法汇总 | Pytorch实现常见数据增强（Data Augmentation）【附源码】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
| 项目名称 | 项目名称 |
|---|---|
| 1.【人脸识别与管理系统开发】 | 2.【车牌识别与自动收费管理系统开发】 |
| 3.【手势识别系统开发】 | 4.【人脸面部活体检测系统开发】 |
| 5.【图片风格快速迁移软件开发】 | 6.【人脸表表情识别系统】 |
| 7.【YOLOv8多目标识别与自动标注软件开发】 | 8.【基于YOLOv8深度学习的行人跌倒检测系统】 |
| 9.【基于YOLOv8深度学习的PCB板缺陷检测系统】 | 10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】 |
| 11.【基于YOLOv8深度学习的安全帽目标检测系统】 | 12.【基于YOLOv8深度学习的120种犬类检测与识别系统】 |
| 13.【基于YOLOv8深度学习的路面坑洞检测系统】 | 14.【基于YOLOv8深度学习的火焰烟雾检测系统】 |
| 15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】 | 16.【基于YOLOv8深度学习的舰船目标分类检测系统】 |
| 17.【基于YOLOv8深度学习的西红柿成熟度检测系统】 | 18.【基于YOLOv8深度学习的血细胞检测与计数系统】 |
| 19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】 | 20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】 |
| 21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】 | 22.【基于YOLOv8深度学习的路面标志线检测与识别系统】 |
| 23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】 | 24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】 |
| 25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】 | 26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】 |
| 27.【基于YOLOv8深度学习的人脸面部表情识别系统】 | 28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】 |
| 29.【基于YOLOv8深度学习的智能肺炎诊断系统】 | 30.【基于YOLOv8深度学习的葡萄簇目标检测系统】 |
| 31.【基于YOLOv8深度学习的100种中草药智能识别系统】 | 32.【基于YOLOv8深度学习的102种花卉智能识别系统】 |
| 33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】 | 34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】 |
| 35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】 | 36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】 |
| 37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】 | 38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】 |
| 39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】 | 40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】 |
| 41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】 | 42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】 |
| 43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】 | 44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】 |
| 45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】 | 46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】 |
| 47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】 | 48.【车辆检测追踪与流量计数系统】 |
| 49.【行人检测追踪与双向流量计数系统】 | 50.【基于YOLOv8深度学习的反光衣检测与预警系统】 |
| 51.【危险区域人员闯入检测与报警系统】 | 52.【高密度人脸智能检测与统计系统】 |
| 53.【CT扫描图像肾结石智能检测系统】 | 54.【水果智能检测系统】 |
| 55.【水果质量好坏智能检测系统】 | 56.【蔬菜目标检测与识别系统】 |
| 57.【非机动车驾驶员头盔检测系统】 | 58.【太阳能电池板检测与分析系统】 |
| 59.【工业螺栓螺母检测】 | 60.【金属焊缝缺陷检测系统】 |
| 61.【链条缺陷检测与识别系统】 | 62.【交通信号灯检测识别】 |
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
引言
数据增强是深度学习中提高模型泛化能力的重要手段之一。其核心思想是通过扩展训练数据集的多样性，使模型能够更好地学习数据中的规律，从而避免过度拟合训练数据，并对未见过的数据保持良好的泛化能力。
数据增强作用
提高模型泛化能力： 通过增加训练数据集的多样性，使模型能够学习到更多数据特征，从而提高对未见过的数据的泛化能力。
减少过拟合： 过度拟合是指模型在训练数据上表现良好，但在测试数据上表现不佳。数据增强可以减少模型对训练数据的依赖，降低过拟合风险。
降低训练成本： 数据增强可以通过对现有数据进行变换，而不需要额外采集数据，从而降低训练成本。
提高模型鲁棒性： 数据增强可以使模型对光照、角度、遮挡等变化更加鲁棒。
图像数据增强技术
图像数据增强技术主要通过对图像进行各种变换来增加训练数据的多样性。常见的图像数据增强技术包括：
旋转、翻转、裁剪： 改变图像的方向和位置。缩放、变形： 改变图像的大小和形状。颜色变换： 改变图像的亮度、对比度、饱和度等。添加噪声： 在图像中添加随机噪声。混合图像： 将两张图像混合在一起。
PyTorch实现数据增强
PyTorch 提供了丰富的数据增强工具，我们可以直接使用torchvision中的transforms 模块实现。
以下是一些使用 PyTorch 实现图像数据增强的示例：
import PIL.Image as Imageimport torchfrom torchvision import transformsimport matplotlib.pyplot as pltimport numpy as npimport warningsdef imshow(img_path, transform):"""Function to show data augmentationParam img_path: path of the imageParam transform: data augmentation technique to apply"""img = Image.open(img_path)fig, ax = plt.subplots(1, 2, figsize=(15, 4))ax[0].set_title(f'Original image {img.size}')ax[0].imshow(img)img = transform(img)ax[1].set_title(f'Transformed image {img.size}')ax[1].imshow(img)
改变大小Resize/Rescale
此函数用于将图像的高度和宽度调整为我们想要的特定大小。下面的代码演示了我们想要将图像从其原始大小调整为 224 x 224。
path = './kitten.jpeg'
transform = transforms.Resize((224, 224))
imshow(path, transform)
裁剪Cropping
该技术将要选择的图像的一部分应用于新图像。例如，使用 CenterCrop 来返回一个中心裁剪的图像。
transform = transforms.CenterCrop((224, 224))imshow(path, transform)
随机裁剪/大小RandomResizedCrop
这种方法同时结合了裁剪和调整大小。
transform = transforms.RandomResizedCrop((100, 300))imshow(path, transform)
翻转Flipping
水平或垂直翻转图像，下面代码将尝试应用水平翻转到我们的图像
transform = transforms.RandomHorizontalFlip()imshow(path, transform)
填充Padding
填充包括在图像的所有边缘上按指定的数量填充。我们将每条边填充50像素。
transform = transforms.Pad((50,50,50,50))imshow(path, transform)
旋转Rotation
对图像随机施加旋转角度。我们将这个角设为15度。
transform = transforms.RandomRotation(15)imshow(path, transform)
随机仿射变换Random Affine
这种技术是一种保持中心不变的变换。这种技术有一些参数：
-
degrees：旋转角度
-
translate：水平和垂直转换
-
scale：缩放参数
-
share：图片裁剪参数
-
fillcolor：图像外部填充的颜色
transform = transforms.RandomAffine(1, translate=(0.5, 0.5), scale=(1, 1), shear=(1,1), fillcolor=(256,256,256))
imshow(path, transform)
高斯模糊Gaussian Blur
图像将使用高斯模糊进行模糊处理。
transform = transforms.GaussianBlur(7, 3)imshow(path, transform)
变为灰度Grayscale
将彩色图像转换为灰度。
transform = transforms.Grayscale(num_output_channels=3)
imshow(path, transform)
颜色增强，也称为颜色抖动，是通过改变图像的像素值来修改图像的颜色属性的过程。下面的方法都是颜色相关的操作。
亮度Brightness
改变图像的亮度当与原始图像对比时，生成的图像变暗或变亮。
transform = transforms.ColorJitter(brightness=2)
imshow(path, transform)
对比度Contrast
图像最暗和最亮部分之间的区别程度被称为对比度。图像的对比度也可以作为增强进行调整。
transform = transforms.ColorJitter(contrast=2)
imshow(path, transform)
饱和度Saturation
图片中颜色的分离被定义为饱和度。
transform = transforms.ColorJitter(saturation=20)
imshow(path, transform)
色调Hue
色调被定义为图片中颜色的深浅。
transform = transforms.ColorJitter(hue=2)
imshow(path, transform)
关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
这篇关于方法汇总 | Pytorch实现常见数据增强（Data Augmentation）【附源码】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
