深度学习 PyTorch 中 18 种数据增强策略与实现

深度学习pytorch之简单方法自定义9类卷积即插即用

数据增强通过对训练数据进行多种变换，增加数据的多样性，它帮助我们提高模型的鲁棒性，并减少过拟合的风险。PyTorch 提供torchvision.transforms 模块丰富的数据增强操作，我们可以通过组合多种策略来实现复杂的增强效果。本文将介绍 18 种常用的图像数据增强策略，并展示如何使用 PyTorch 中的 torchvision.transforms 来实现这些策略。

综合应用：创建一个数据增强流程

我们可以将下述增强策略结合起来，创建一个数据增强流程（transform）。以下是流程示例：

transform = transforms.Compose([
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomRotation(30),
    transforms.RandomResizedCrop(224, scale=(0.8, 1.0)),
    transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5),
    transforms.RandomGrayscale(p=0.2),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

1. 随机水平翻转（Random Horizontal Flip）

水平翻转是最常见的图像数据增强技术之一。它通过以一定的概率（通常是 50%）对图像进行水平翻转，增加图像的多样性，尤其在对称性较强的物体（如人脸、动物等）中效果显著。

transform = transforms.RandomHorizontalFlip(p=0.5)

2. 随机垂直翻转（Random Vertical Flip）

垂直翻转与水平翻转类似，但适用于那些具有垂直对称性的图像。

transform = transforms.RandomVerticalFlip(p=0.5)

3. 随机旋转（Random Rotation）

随机旋转可以使模型适应不同的物体方向。旋转角度通常在一定范围内随机选择。

transform = transforms.RandomRotation(degrees=30)

4. 随机裁剪（Random Crop）

裁剪操作通过从图像中裁剪出一个随机区域，可以改变图像的视角，模拟拍摄角度的变化。

transform = transforms.RandomCrop(size=(224, 224))

5. 随机缩放（Random Resized Crop）

随机缩放操作首先从图像中随机裁剪出一部分，然后将其缩放到指定的大小。这有助于增强图像的尺度变化。

transform = transforms.RandomResizedCrop(224, scale=(0.8, 1.0))

6. 颜色抖动（Color Jitter）

颜色抖动是通过随机改变图像的亮度、对比度、饱和度和色相来增加图像的多样性。它特别适用于颜色变化较大的场景。

transform = transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)

7. 亮度调整（Brightness Adjust）

通过改变图像的亮度来模拟不同的光照条件，使模型在低光或强光环境下具有更好的鲁棒性。

transform = transforms.ColorJitter(brightness=0.5)

8. 对比度调整（Contrast Adjust）

通过随机调整图像的对比度，帮助模型适应高对比和低对比的图像。

transform = transforms.ColorJitter(contrast=0.5)

9. 饱和度调整（Saturation Adjust）

通过随机调整图像的饱和度，模拟不同的颜色鲜艳度，可以帮助模型适应不同的色彩环境。

transform = transforms.ColorJitter(saturation=0.5)

10. 色相调整（Hue Adjust）

色相调整改变图像的整体色调，通过随机变化色相值来模拟不同的环境色彩。

transform = transforms.ColorJitter(hue=0.5)

11. 随机灰度转换（Random Grayscale）

随机将图像转换为灰度图像，通常通过一定的概率来进行。它有助于减少颜色信息对模型的影响。

transform = transforms.RandomGrayscale(p=0.2)

12. 高斯模糊（Gaussian Blur）

高斯模糊是一种图像模糊技术，可以模拟图像在不同焦距下的效果，增加数据集的多样性。

transform = transforms.GaussianBlur(kernel_size=(5, 5), sigma=(0.1, 2.0))

13. 切变变换（Shear Transform）

切变变换可以对图像进行倾斜，增加图像的几何形状变化，模拟视角变化。

transform = transforms.RandomAffine(degrees=0, shear=20)

14. 仿射变换（Affine Transform）

仿射变换可以通过平移、旋转、缩放等方式对图像进行变换，保持图像的几何形状不变。

transform = transforms.RandomAffine(degrees=0, translate=(0.1, 0.1), scale=(0.8, 1.2))

15. 随机噪声添加（Random Noise）

在图像中添加随机噪声可以帮助模型更好地适应低质量的输入。虽然 PyTorch 中没有内置的噪声添加操作，但可以通过自定义变换来实现。

import numpy as np
import torch

class AddNoise(object):
    def __init__(self, mean=0., std=1.):
        self.mean = mean
        self.std = std

    def __call__(self, img):
        img = np.array(img)
        noise = np.random.normal(self.mean, self.std, img.shape)
        img = img + noise
        img = np.clip(img, 0, 255)
        return Image.fromarray(img.astype(np.uint8))

transform = AddNoise(mean=0., std=25.)

16. 随机剪切（Random Erasing）

随机剪切是通过随机选择图像中的一部分并将其替换为随机颜色，增强模型对遮挡和噪声的鲁棒性。

transform = transforms.RandomErasing(p=0.5)

17. 图像平移（Translation）

平移操作对图像进行平移，模拟物体在图像中的移动。可以帮助模型适应不同的定位变化。

transform = transforms.RandomAffine(degrees=0, translate=(0.1, 0.1))

18. 图像归一化（Normalization）

归一化操作将图像的像素值调整到一定范围内，通常是 [0, 1] 或 [-1, 1]，通过减去均值并除以标准差来实现。

transform = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])