使用数据增强训练神经网络

数据增强是训练机器学习模型的重要环节。本课程将介绍 PyTorch 图像模型框架中的所有数据增强类。

数据增强 是机器学习中常用的技术，用于扩充数据集。通常，我们会以多种方式对原始样本进行修改，从而生成经过调整的副本。

让我们通过以下图示来进一步理解数据增强：

数据增强的优势

训练机器学习模型需要大量带标签的数据，而收集和标注数据集耗时较长。整个过程可能繁琐且成本高昂。

因此，大多数开发者在训练模型前会应用数据增强。总体而言，数据增强具有以下优势：

• 人为增加小规模数据集的训练数据量。
• 在训练数据中引入多样化噪声，防止过拟合。
• 提升模型在真实场景输入下的表现能力。

注意：过拟合是指机器学习模型在训练数据上表现极佳，但在测试数据上表现不佳，因此在未见过的数据上效果不好。

图像变换

我们可以通过应用简单的变换为图像分类模型生成合成数据。最常见的图像变换包括：

• 翻转（垂直和水平）
• 坐标轴平移（x 或 y 方向）
• 填充（Padding）
• 旋转
• 裁剪（Crop）
• 亮度和对比度调整
• 灰度化（Grayscale）
• 随机噪声
• 模糊（Blur）

下面我们详细回顾一些更常见的图像变换。

灰度化（Grayscale）

灰度化 将彩色图像转换为不同深浅的灰色图像。黑色表示对比度最弱，白色表示最强。
下图展示了彩色图像与灰度图像之间的差异：

亮度与对比度（Brightness and contrast）

亮度与对比度 属于图像色彩校正的一部分。亮度用于调亮或调暗图像，而对比度则增强或减弱图像中的细节。
如下图所示，对比了正常图像与提高亮度后的图像：

模糊（Blur）

模糊 使图像看起来失焦。我们可以对图像的特定区域进行模糊处理。最常见的模糊技术包括：

• 高斯模糊（Gaussian blur）
• 均值模糊（Average blur）
• 中值模糊（Median blur）
• 运动模糊（Motion blur）

下图展示了一张正常图像与其模糊版本的对比：

裁剪（Crop）

裁剪是指去除图像中不需要的边缘区域。尽管该方法简单，但有助于生成有用的合成训练数据。

下图展示了原始图像与其裁剪后版本的区别：

翻转（Flip）

图像翻转有两种方式：

• 垂直翻转
• 水平翻转

算法沿 x 轴或 y 轴对图像进行镜像反射。下图展示了水平翻转和垂直翻转的最终效果：

数据增强是图像分类项目中不可或缺的一部分。图像变换有助于扩充我们的数据集，从而使模型能够更好地泛化真实世界的数据。