Data Augmentation(데이터 증강) 기본

Data Augmentation(데이터 증강) :

CNN 모델의 성능을 높이고, overfitting을 극복할 수 있는 가장 좋은 방법은 다양한 우형의 학습 이미지 데이터의 양을 늘리는 것이다. 데이터 증강은 다양한 유형의 학습 이미지 데이터의 양을 늘리는 것이지만, 실제 개수를 늘리는 것이 아니라, epoch마다 변형된 image가 학습하는 데 사용되는 것이다. iteration이 돌 때마다 사진이 변형되는 것이지, 사진이 여러 개 생기는 것은 아니다.

공간(spatial) 레벨 변형, 픽셀(pixel) 레벨 변형을 분류가 되며,
                       keras의 대표적인 Augmentation으로는 ImageDataGenerator가 있다.

---

1. 각종 모듈, 함수 호출

import numpy as np
import pandas as pd
import os
import cv2
import matplotlib.pyplot as plt
from tensorflow.keras.preprocessing.image import ImageDataGenerator


def show_image(image) :
    
    plt.figure(figsize=(8, 8))
    plt.imshow(image)
    plt.axis("off")

---

2. 사용할 이미지 불러오기

!wget https://www.sciencenews.org/wp-content/uploads/2020/03/033120_HT_covid-cat_feat-1028x579.jpg

---

3. 이미지를 데이터로 불러오고, RGB channel 순으로 바꾸기

cat_BGR = cv2.imread("033120_HT_covid-cat_feat-1028x579.jpg")

cat_3dim = cv2.cvtColor(cat_BGR, cv2.COLOR_BGR2RGB)

show_image(cat_3dim)

---

4. fit()을 위한 차원 확장

print("   기존 사진의 shape    : {}".format(cat_3dim.shape))
cat_4dim = np.expand_dims(cat_3dim, axis=0)
print("차원확장 후 사진의 shape : {}".format(cat_4dim.shape))

# augmentation을 적용시킬때는 4차원 image data가 필요하다.

     기존 사진의 shape     : (579, 1028, 3)
차원확장 후 사진의 shape : (1, 579, 1028, 3)

---

5. Augmentation!

data_generator = ImageDataGenerator(horizontal_flip=True)
data_generator.fit(cat_4dim)
data_gen_hor = data_generator.flow(cat_4dim)
aug_cat_4dim = next(data_gen_hor)
aug_cat_3dim = np.squeeze(aug_cat_4dim)
aug_cat_3dim = aug_cat_3dim.astype("int")

show_image(cat_3dim)
show_image(aug_cat_3dim)

위 상황, image가 좌우로 뒤집힌 것을 확인할 수 있지만, random한 확률로 적용이 됨을 알아야 한다.