1.小图片样本数据增强

文章目录

• ​​问题背景​​
• ​​参考资料​​
• ​​代码案例封装​​

问题背景

在面对一些小图片的分类问题的时候，比如检测出一种缺陷，要识别是哪个缺陷，往往需要大量的样本集，只要是基于统计学，不管是传统机器学习，比如支持向量机，还是各种神经网络，比如resnet，都是需要样本集支撑的，针对这种不需要标注，只需要把标的物截取出来保存的数据集，往往很难收集，这也是统计学方案的一个通病，所以，就需要想办法，做数据增强。

参考资料

代码案例封装

基于Augmentor做一个数据增强的案例，使用函数之前需要安装Augmentor

@router.post('/data_augmentation')
def data_augmentation(img_path: str = Body(...), num: int = Body(...)):
    # 0.先删除之前的缓存
    output_dir = os.path.join(img_path, 'output')
    items = os.listdir(output_dir)
    for item in items:
        file_path = os.path.join(img_path, item)
        os.remove(file_path)
    # 1. 指定图片所在目录
    p = Augmentor.Pipeline(img_path)
    # 2. 增强操作
    # 旋转 概率0.7，向左最大旋转角度10，向右最大旋转角度10
    p.rotate(probability=0.7, max_left_rotation=10, max_right_rotation=10)
    # 放大 概率0.3，最小为1.1倍，最大为1.6倍；1不做变换
    p.zoom(probability=0.3, min_factor=1.1, max_factor=1.6)
    # resize 同一尺寸 200 x 200
    p.resize(probability=1, height=200, width=200)
    # 3. 指定增强后图片数目总量
    p.sample(num)

    return "success"