前言

有時候我們會遇到資料集數量不足的問題，或是模型訓練發生過度擬合（Overfitting），會使用資料增強（Data Augmentation）來讓資料集擴增或產生多樣性，讓模型更加泛化（Generalization）。今天先介紹其中一種常用於影像的資料增強方法，為使用 Keras 中的 ImageDataGenerator() 來做資料增強，通常是對影像做一些幾何轉換，例如翻轉、平移、縮放或鏡射等，分割驗證集也可以在這裡操作。

使用方法

匯入 ImageDataGenerator()：

from keras.preprocessing.image import ImageDataGenerator

設定想要做的資料增強方法（以部分為例）：

trdata = ImageDataGenerator(rescale = 1./255,
                            rotation_range=45,
                            width_shift_range=0.2,
                            height_shift_range=0.2,
                            zoom_range=0.2,
                            horizontal_flip=True,
                            validation_split=0.2)

參數說明：

• rescale：將影像像素縮放，1./255 可將像素值轉換至 [0,1]。
• rotation_range：隨機旋轉角度。
• width_shift_range：隨機水平平移。
• height_shift_range：隨機垂直平移。
• zoom_range：隨機縮放。
• horizontal_flip：隨機水平翻轉。
• validation_split：分割驗證集的比例。

其他參數可以參考：tf.keras.preprocessing.image.ImageDataGenerator - TensorFlow

實際應用

在 Kaggle 資料集上，我找了一個 Bear dataset 作為實作範例資料集。

指定一個變數為資料集的路徑：

trpath = "./Kaggle/data/"

將這個資料集做資料增強：

trdata = ImageDataGenerator(rescale = 1./255,
                            rotation_range=45,
                            horizontal_flip=True,
                            validation_split=0.2)

之後可以利用 flow_from_directory() 來讀取路徑下的資料夾，如果資料集內是以類別整理好，會直接將資料夾名稱當作資料夾內檔案的類別名稱。

讀取訓練資料集：

traindata = trdata.flow_from_directory(directory=trpath, 
                                       target_size=(256,256),
                                       shuffle=True,
                                       subset='training')

其中 directory 為欲使用的訓練資料集路徑 trpath，target_size 為影像的大小，通常會使用長寬相同的正方形，shuffle 為將資料集做洗牌，subset 指定讀取哪一個資料集。

驗證資料集的讀取方法相同，也是從 trpath 讀取（因為我們從 trpath 中做分割，如果要另外準備一個驗證資料集也是可以的），subset 記得改成 'validation'。

valdata = trdata.flow_from_directory(directory=trpath, 
                                     target_size=(256,256), 
                                     shuffle=True,
                                     subset='validation')

用一張影像作為範例，印出 10 張使用 ImageDataGenerator() 以及上述參數做資料增強的結果：

今天先介紹到這裡，明天會介紹另一種做資料增強的方法。

參考資料

• Building powerful image classification models using very little data