深度学习中的图像强化

如果我们的训练集过少，我们可以对训练集进行图像强化，因为一种图片进行裁剪，反转，平移，对图片的类别不会发生改变，但对计算机来说就是不同的图片。

代码主要包含这些，只需要对训练集处理，不需要对测试集处理。

data_transform={
    'train': transforms.Compose([
        # 调整图像大小为300x300像素
        transforms.Resize([256, 256]),

        # 随机旋转：-45到45度之间随机选择角度
        transforms.RandomRotation(45),
        #
        # # 从中心裁剪出256x256的区域
        transforms.CenterCrop([256, 256]),

        # 随机水平翻转：以50%的概率进行水平镜像
        transforms.RandomHorizontalFlip(p=0.5),

        # 随机垂直翻转：以50%的概率进行垂直镜像
        transforms.RandomVerticalFlip(p=0.5),

        # # 颜色抖动：随机调整亮度、对比度、饱和度和色调
        transforms.ColorJitter(
            brightness=0.2,    # 亮度变化幅度为20%
            contrast=0.1,      # 对比度变化幅度为10%
            saturation=0.1,    # 饱和度变化幅度为10%
            hue=0.1            # 色调变化幅度为10%
        ),

        # # 随机灰度化：以10%的概率将图像转换为灰度图
        transforms.RandomGrayscale(p=0.1),

        # 将PIL图像转换为PyTorch张量，并自动归一化到[0,1]范围
        transforms.ToTensor(),

        # 标准化：使用ImageNet数据集的均值和标准差进行标准化
        transforms.Normalize(
            [0.485, 0.456, 0.406],  # 均值（R, G, B通道）
            [0.229, 0.224, 0.225]   # 标准差（R, G, B通道）
        )
    ]),

    # 验证/测试数据的预处理（通常不需要数据增强）
    'test': transforms.Compose([
        transforms.Resize([256, 256]),
        # transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])
}

这里用一个表格来展示作用

在训练上，如果我们们每次进行一轮数据进行训练，数据都是不一样，所以这里我们的训练准确率会一直增加，但是一开始我们的准确率比较低，但是这个准确率比我们不增强数据的上限要高。