ImageDataGenerator

ImageDataGenerator 클래스를 통해 객체를 생설 할 때 파라미터를 전달해주는 것을 통해 데이터의 전처리를 쉽게 할 수 있고, 또 이 객체의 flow_form_directory 메소드를 활용하면, 폴더 형태로된 데이터 구조를 바로 가져와서 사용이 가능 합니다.

 

1. ImageDataGenerator를 사용한 데이터를 크게 부풀립니다, (10개 이미지만 있다면, 10개 이미지 기준으로 더 많게)

 아래는 ImageDataGenerator 설정 옵션 입니다.

• shear_range : Float, Shear Intensity ( share angle in counter-clockwise direction as radians) 밀린강도 범위내에서 임의로 원본 이미지를 변형 시킵니다. 수치는 시계반대방향으로 밀림강도를 radian으로 나타냅니다. 
• zoom_range : Float or [lower, upper]. Range for random zoom. if a float, 지정된 확대/축소 범위내에 임의로 원본이미지를 확대/ 축소 합니다. (1 - 수치) ~ (1+ 수치) 사이의 범위로 확대 축소를 합니다. ex> zoom_range = 0.3
• horizontal_flip : Boolean, Randomly flip inputs horizontally. 수평방향 뒤집기(true)
• vertical_flip :  수직 방향 뒤집기(true)
• rescale : rescaling factor. Defaults to None. If None or 0, no rescaling is applied, otherwise we multipy the data by the value provided (before applying any other transformation)
• rotaion_range : 지정된 각도 범위내에서 임의로 원본 이미지를 회전 시킵니다. 단위 도, 정수형 ex>rotaion_range=90
• width_shift_range : 지정된 수평방향 이동 범위 내에서 임의로 원본 이미지를 이동 시킵니다. 수치는 전체 넓이의 비율(실수)로 나타냅니다. ex> 0.1이면 전체 넓이 100의 10px 좌우로 이동
• hight_shift_range: 지정된 수직방향 이동 범위 내에서 임의로 원본 이미지를 이동 시킵니다. 수치는 전체 넓이의 비율(실수)로 나타냅니다

실제 코드 입니다.

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,
samplewise_center=False,
featurewise_std_normalization=False,
samplewise_std_normalization=False,
zca_whitening=False,
rotation_range=0.,
width_shift_range=0.,
height_shift_range=0.,
shear_range=0.,
zoom_range=0.,
channel_shift_range=0.,
fill_mode='nearest',
cval=0.,
horizontal_flip=False,
vertical_flip=False,
rescale=None,
preprocessing_function=None,
data_format=K.image_data_format())

2. 훈련 데이터 셋을 부필리면서, 테스트 셋을 부풀린 필요가 없읍니다.

대신 훈련 데이터를 부풀리면, fit_generator 함수에서 steps_per_epoch의 값은 기존에서 더 많은 수로 설정 합니다. 

batch size * steps_per_epoch가 전체 샘플 수인데, 만약 데이터 부풀리기를 하지 않을 떄는 기존의 개수(15개)의 배치 사이즈로(3개) 전체 45개를 모두 학습에 사용 할수 있지만, ImageDataGenrator 함수를 통해 데이터 부풀리기는 할 때는 하나의 샘플로 여러개의 결과를 얻기 때문에 요청하는 데로 무한의 샘플이 제공 됩니다.

그래서 한 * 100배 정도 1500개로 설정 했습니다.

 

3.동일한 모델을 사용하면서, 데이터만 잘 부풀렸을때 기존 보다 더 좋은 성능 향상을 가져 옵니다.

여기서 2번의 step_per_epoch의 값이 * 100 하였더니 에러가 발생 하였습니다.

그대로 하는데신, 1번의 옵션을 다양하게 주었는데 그에 따라서 정확도는 60~80%까지 왔다 갔다 수치가 상당히 많이 변하였습니다.

 

4. batch size =3 , epoch = 200 으로 수행하였더니, 86%까지 상승 하였습니다. 

 아래는 위의 설정으로 데이터를 부풀려서, 정확도 측정 86%까지 올라갔습니다.

 

 

5. 데이터 부풀리기에 옵션에 따라 어떤 데이터를 어떻게 쓰는지 조금더 확인해봐야 알것 같습니다.

결론은 삽질중 니다

(추가)

삽질 하고 난후 아래와 조건에서 실행이 됩니다.

epoch > batch_size * step_per_epoch

삽질 이유는 ? 즉, 3번에서 Error가 나온 이유는

epoch < batch_size * step_per_epoch 와 같은 상황이기 때문입니다.

 

 

본문은 아래 참고 하였습니다

https://tykimos.github.io/2017/06/10/CNN_Data_Augmentation

컨볼루션 신경망 모델을 위한 데이터 부풀리기

 

6. 테스트 결과율 80~ 95% 까지 올린 옵션 내용 입니다.

아직도 갈길이 멀기는 하지만 소정의 효과를 보았습니다.