WEEK2 : CNN in TensorFlow (data augmentation)

ImageDataGenerator 사용하여 data augmentation 수행하기

 

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255)

• 저번에는 이렇게만 사용을 했었지만, 이번에는 data augmentation까지 해보자!
• 단순히 아래와 같이 몇 가지 값을 지정해주기만 하면 매우 쉽게 data augmentation이 끝난다.
• 이 이후의 절차는 이전과 다를바가 없다.

train_datagen = ImageDataGenerator(
    rescale = 1./255,
    rotation_rate=40,
    width_shift_range=0.2,	// 좌우이동 (이미지 크기 대비 이동)
    height_shift_range=0.2,	// 상하이동
    shear_range=0.2,		// 기울임
    zoom_range=0.2,		// 확대 (상대적 확대 비율)
    horizontal_flip=True,	// 수평방향 뒤집기
    fill_mode='nearest'		// 손실되었을 픽셀을 가장 가까운 픽셀값을 이용하여 채운다
)

• augmentation 사용하면 training 이미지에 다양성(=random)을 부여할 수 있기 때문에  overfitting 문제를 완화할 수 있다.
• 하지만 validation 이미지에서의 randomness와 train에서의 randomness가 일치하지 않는다면,
• data augmentation을 수행해도 validation accuracy가 높아지지 않을 수 있다. 
• (data augmentation이 항상 overfitting 문제를 해결해주는 것이 아니다)
• validation data는 data augmentation 해주면 안 된다

 

TRAINING_DIR = '/tmp/cats-v-dogs/training'
train_datagen = ImageDataGenerator(
    rescale=1./255, 
    width_shift_range=0.2,
    height_shift_range=0.2,
    rotation_range=0.2,
    horizontal_flip=True
)

train_generator = train_datagen.flow_from_directory(
    TRAINING_DIR,
    target_size=(300, 300),
    batch_size=10,
    class_mode='binary'
)


VALIDATION_DIR = '/tmp/cats-v-dogs/testing'
validation_datagen = ImageDataGenerator(
    rescale=1./255
    # data augmentation 수행하면 X
)

validation_generator = validation_datagen.flow_from_directory(
    VALIDATION_DIR,
    target_size=(300, 300),
    batch_size=10,
    class_mode='binary'
)