Redimensionnement des images dans Keras ImageDataGenerator méthodes de flux d'

La Keras ImageDataGenerator la classe fournit les deux méthodes de flux flow(X, y) et flow_from_directory(directory) (https://keras.io/preprocessing/image/).

Pourquoi le paramètre

target_size: n-uplet de nombres entiers, par défaut: (256, 256). Les dimensions auxquelles toutes les images seront redimensionnées

Seulement par flow_from_directory(répertoire) ? Et ce qui est le plus concis façon d'ajouter de la refonte des images pour le prétraitement pipeline à l'aide d' débit(X, y) ?

J'ai le même problème, si je suréchantillonner toutes les images avant de les nourrir dans la flow() méthode, je n'ai plus de mémoire.

OriginalL'auteur user1934212 | 2017-01-20

  1. 7

    flow_from_directory(directory) génère augmentée des images à partir du répertoire arbitraire de la collection d'images. Donc, il est nécessaire de paramètre target_size de faire toutes les images de la même forme.

    Tout flow(X, y) augmente les images qui sont déjà stockées dans une séquence de X qui n'est rien mais numpy matrice et peut être facilement traitées/redimensionnées avant de passer à flow. Donc, pas besoin de target_size paramètre. Comme pour le redimensionnement, je préfère utiliser scipy.misc.imresize sur PIL.Image resize, ou cv2.redimensionner comme il peut fonctionner sur numpy les données de l'image.

    import scipy
new_shape = (28,28,3)
X_train_new = np.empty(shape=(X_train.shape[0],)+new_shape)
for idx in xrange(X_train.shape[0]):
    X_train_new[idx] = scipy.misc.imresize(X_train[idx], new_shape)
    Condensé à un oneliner: X_data_resized = [scipy.misc.imresize(image, new_shape) pour l'image dans X_data]
    Peut être redimensionnée avant de passer à l'écoulement? 32 go de mémoire est facilement devient plein, si je redimensionne toutes les images à la fois. C'est pourquoi nous avons besoin de flux() pour redimensionner lot par lot.
    ImageDataGenerator accepte preprocessing_function dans la méthode constructeur. Selon la documentation, c'est ce que vous avez besoin

    OriginalL'auteur indraforyou

  2. 1
    X_data_resized = [skimage.transform.resize(image, new_shape) for image in X_data]

    parce que le code ci-dessus est maintenant déprécié...

    OriginalL'auteur neuroscitech

  3. 0

    Pour grand ensemble de données d'apprentissage, d'effectuer des transformations telles que le redimensionnement sur l'ensemble de la formation est la consommation de mémoire. Comme Keras n'en ImageDataGenerator, il est mieux de le faire par lot par lot. Autant que je sache, il existe 2 moyens de parvenir à cet autre que l'exploitation de l'ensemble de l'ensemble de données:

    1. Vous pouvez utiliser Lambda Couche pour créer une couche et puis l'alimentation d'origine des données d'entraînement. La sortie est redimensionnée vous avez besoin.

    Voici un exemple de code si vous utilisez TensorFlow comme le backend de Keras:

    original_dim = (32, 32, 3)
target_size = (64, 64)
input = keras.layers.Input(original_dim)
x = tf.keras.layers.Lambda(lambda image: tf.image.resize(image, target_size))(input)
    1. @Retardust mentionné, peut-être que vous pouvez personnaliser votre propre ImageDataGenerator ainsi que la preprocessing_function.

    OriginalL'auteur Tab