PyTorch’ta RandomAffine: Görüntü Artırma Tekniği
Derin öğrenme modellerinin başarısı, genellikle kullanılan eğitim verilerinin kalitesi ve miktarıyla doğru orantılıdır. Eğitim verilerinin sınırlı olması durumunda, modelin genelleme yeteneği düşebilir. Bu sorunun üstesinden gelmek için sıklıkla kullanılan bir teknik ise veri artırma (data augmentation) yöntemleridir. PyTorch, bu yöntemleri uygulamada kolaylaştıran birçok fonksiyon sunar. Bunlardan biri de, görüntüler üzerinde rastgele afin dönüşümleri uygulayan RandomAffine dönüşümüdür. Bu makalede, RandomAffine‘i ayrıntılı olarak inceleyecek ve kullanım örneklerini paylaşacağız.
RandomAffine Nedir?
RandomAffine, görüntülere rastgele döndürme, ölçeklendirme, öteleme ve eğme işlemleri uygulayan bir PyTorch dönüşümüdür. Bu sayede, mevcut eğitim verilerinden yeni, hafifçe değiştirilmiş örnekler oluşturarak, modelin daha sağlam ve genelleme yeteneği yüksek olmasını sağlar. Özellikle küçük veri setlerinde oldukça etkilidir. Aynı zamanda, modelin aşırı öğrenmeyi (overfitting) önlemesine yardımcı olur.
Örneğin, bir kedi resmi üzerinde RandomAffine kullanıldığında, kedinin resmi hafifçe döndürülmüş, büyütülmüş, küçültülmüş veya ötelenmiş hallerini elde edebiliriz. Bu farklı varyasyonlar, modelin kedinin farklı pozisyonlarda ve ölçeklerde nasıl göründüğünü öğrenmesine katkı sağlar.
RandomAffine’in Parametreleri
RandomAffine, çeşitli parametreler alarak dönüşümün kapsamını kontrol etmemizi sağlar. Bunlardan en önemlileri şunlardır:
degrees: Resmin döndürüleceği açı aralığını belirtir (örneğin, (-10, 10) -10 ile 10 derece arasında rastgele döndürme yapar).translate: Resmin ötelenme oranını belirtir (örneğin, (0.1, 0.1) her yönde maksimum %10 öteleme yapar).scale: Resmin ölçeklendirme oranını belirtir (örneğin, (0.5, 1.5) resmi %50 küçültüp %150 büyütebilir).shear: Resmin eğme oranını belirtir (örneğin, (0, 10) maksimum 10 derecelik bir eğme uygular).fill: Dönüşüm sonucu oluşan boşlukların nasıl doldurulacağını belirtir (örneğin, (0, 0, 0) siyah ile doldurur).
Uygulama Örneği
İşte RandomAffine‘i PyTorch ile nasıl kullanabileceğinize dair basit bir örnek:
import torch
from torchvision import transforms, datasets
from PIL import Image
# RandomAffine dönüşümünü oluşturun
transform = transforms.Compose([
transforms.RandomAffine(degrees=15, translate=(0.1, 0.1), scale=(0.8, 1.2)),
transforms.ToTensor()
])
# Örnek bir görüntü yükleyin
image = Image.open("kedi.jpg")
# Dönüşümü uygulayın
transformed_image = transform(image)
# Dönüştürülmüş resmi kaydedin (isteğe bağlı)
# ...
Bu örnekte, 15 dereceye kadar döndürme, %10’a kadar öteleme ve %80 ile %120 arasında ölçeklendirme uygulanmaktadır. Siz parametreleri istediğiniz gibi ayarlayabilirsiniz. Ayrıca, daha karmaşık dönüşüm zincirleri oluşturmak için transforms.Compose fonksiyonunu kullanabilirsiniz.
Sonuç
RandomAffine, PyTorch’ta görüntü artırma için oldukça güçlü ve kullanışlı bir araçtır. Uygun parametrelerle, eğitim verilerinizin çeşitliliğini artırarak, modelinizin performansını ve genelleme yeteneğini önemli ölçüde geliştirebilirsiniz. Özellikle sınırlı veri setleriyle çalışıyorsanız, RandomAffine‘i mutlaka denemelisiniz.
Daha fazla bilgi ve PyTorch ile ilgili diğer kaynaklar için fatihsoysal.com adresini ziyaret edebilirsiniz.
Faydalı bulabileceğiniz başka bir kaynak ise: PyTorch Transformations Dokümantasyonu
#Etiketler
PyTorch, RandomAffine, Görüntü Artırma, Veri Artırma, Derin Öğrenme, Yapay Zeka, Python, Görüntü İşleme, Model Eğitimi, Genelleme Yeteneği