{"id":15206,"date":"2025-03-15T03:15:14","date_gmt":"2025-03-15T00:15:14","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/pytorchte-elastictransform-detayli-anlatim\/"},"modified":"2025-03-15T03:15:14","modified_gmt":"2025-03-15T00:15:14","slug":"pytorchte-elastictransform-detayli-anlatim","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/pytorchte-elastictransform-detayli-anlatim\/","title":{"rendered":"PyTorch’te ElasticTransform: Detayl\u0131 Anlat\u0131m"},"content":{"rendered":"

PyTorch’te ElasticTransform: Detayl\u0131 Anlat\u0131m<\/p>\n

Merhaba! Fatih Soysal olarak, PyTorch’te g\u00f6r\u00fcnt\u00fc i\u015flemede s\u0131k\u00e7a kullan\u0131lan bir teknik olan ElasticTransform’\u0131 detayl\u0131 bir \u015fekilde ele alaca\u011f\u0131z. Bu y\u00f6ntem, verileri yapay olarak art\u0131rmak ve modelin daha sa\u011flam olmas\u0131n\u0131 sa\u011flamak i\u00e7in kullan\u0131l\u0131r. \u00d6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fcleme gibi alanlarda, verilerin s\u0131n\u0131rl\u0131 oldu\u011fu durumlarda olduk\u00e7a etkilidir. \u00d6ncelikle ElasticTransform’\u0131n ne oldu\u011funu ve nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayal\u0131m, ard\u0131ndan PyTorch ile nas\u0131l uygulanaca\u011f\u0131n\u0131 ad\u0131m ad\u0131m g\u00f6sterece\u011fiz. Umar\u0131m faydal\u0131 bulursunuz!<\/p>\n

ElasticTransform Nedir ve Ne \u0130\u015fe Yarar?<\/h2>\n

ElasticTransform, g\u00f6r\u00fcnt\u00fcler \u00fczerinde elastik deformasyonlar uygulayarak verileri yapay olarak \u00e7o\u011faltan bir veri art\u0131rma tekni\u011fidir. Bu deformasyonlar, g\u00f6r\u00fcnt\u00fcn\u00fcn piksellerini rastgele hareket ettirerek, \u00e7e\u015fitli \u015fekil ve boyutlardaki bozulmalar\u0131 sim\u00fcle eder. Sonu\u00e7 olarak, modelin farkl\u0131 t\u00fcrdeki deformasyonlara kar\u015f\u0131 daha dayan\u0131kl\u0131 ve genelle\u015ftirilebilir hale gelmesi sa\u011flan\u0131r. \u00d6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fclerde, k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli deformasyonlar bile \u00f6nemli tan\u0131sal bilgileri etkileyebilir. Bu nedenle, ElasticTransform, modellerin bu t\u00fcr deformasyonlara kar\u015f\u0131 daha hassas olmas\u0131n\u0131 sa\u011flar.<\/p>\n

\u00d6rne\u011fin, bir akci\u011fer r\u00f6ntgeni \u00fczerindeki k\u00fc\u00e7\u00fck bir t\u00fcm\u00f6r, farkl\u0131 pozisyonlarda farkl\u0131 \u015fekillerde g\u00f6r\u00fcnebilir. ElasticTransform, bu \u00e7e\u015fitlili\u011fi sim\u00fcle ederek, modelin t\u00fcm\u00f6rleri daha g\u00fcvenilir bir \u015fekilde tespit etmesine yard\u0131mc\u0131 olur. Ayr\u0131ca, ElasticTransform, modelin a\u015f\u0131r\u0131 uyum (overfitting) riskini azaltmaya yard\u0131mc\u0131 olur. Daha \u00e7e\u015fitli veriler \u00fczerinde e\u011fitilen modeller, yeni veriler \u00fczerinde daha iyi performans g\u00f6sterir.<\/p>\n

PyTorch ile ElasticTransform Uygulamas\u0131<\/h2>\n

\u015eimdi, PyTorch kullanarak ElasticTransform’\u0131 nas\u0131l uygulayaca\u011f\u0131m\u0131z\u0131 ad\u0131m ad\u0131m inceleyelim. A\u015fa\u011f\u0131daki kod blo\u011fu, bir g\u00f6r\u00fcnt\u00fcy\u00fc rastgele elastik olarak deforme eden bir fonksiyon i\u00e7erir:<\/p>\n

\nimport numpy as np\nimport torch\n\ndef elastic_transform(image, alpha, sigma, random_state=None):\n    \"\"\"Elastic deformation of images as described in [Simard2003].\"\"\"\n    if random_state is None:\n        random_state = np.random.RandomState(None)\n\n    shape = image.shape\n    dx = gaussian_filter((random_state.rand(*shape) * 2 - 1), sigma, mode=\"constant\", cval=0) * alpha\n    dy = gaussian_filter((random_state.rand(*shape) * 2 - 1), sigma, mode=\"constant\", cval=0) * alpha\n\n    x, y = np.meshgrid(np.arange(shape[1]), np.arange(shape[0]))\n    indices = np.reshape(y+dy, (-1, 1)), np.reshape(x+dx, (-1, 1))\n\n    return map_coordinates(image, indices, order=1, mode='reflect')\n\n\n# \u00d6rnek kullan\u0131m:\nimage = torch.randn(1, 256, 256)  # \u00d6rnek bir g\u00f6r\u00fcnt\u00fc\ntransformed_image = elastic_transform(image.numpy(), alpha=34, sigma=4) # Deforme edilmi\u015f g\u00f6r\u00fcnt\u00fc\ntransformed_image = torch.from_numpy(transformed_image)\n\n<\/code><\/pre>\n
Bu kodda,  gaussian_filter ve map_coordinates fonksiyonlar\u0131 scipy.ndimage k\u00fct\u00fcphanesinden  getirilmelidir.  alpha ve sigma parametreleri deformasyonun \u015fiddetini kontrol eder.  alpha y\u00fcksek olursa deformasyon daha belirgin olurken, sigma y\u00fcksek olursa deformasyon daha yumu\u015fak olur.  Bu parametreleri deneyerek en iyi sonucu elde edebilirsiniz.<\/p>\n
Bu fonksiyonu, veri art\u0131rma s\u00fcrecinizin bir par\u00e7as\u0131 olarak kullanabilirsiniz.  \u00d6rne\u011fin, her e\u011fitim iterasyonunda g\u00f6r\u00fcnt\u00fclerinizi bu fonksiyonla deforme ederek, modelinizin daha sa\u011flam olmas\u0131n\u0131 sa\u011flayabilirsiniz.  Unutmay\u0131n ki,  alpha ve sigma parametrelerini dikkatlice ayarlaman\u0131z,  ger\u00e7ek\u00e7i ve yararl\u0131 deformasyonlar elde etmek i\u00e7in \u00f6nemlidir.  A\u015f\u0131r\u0131 b\u00fcy\u00fck de\u011ferler ger\u00e7ek\u00e7i olmayan deformasyonlara yol a\u00e7abilir.<\/p>\n
Sonu\u00e7<\/h2>\n
ElasticTransform,  verilerinizi art\u0131rmak ve modelinizin performans\u0131n\u0131 iyile\u015ftirmek i\u00e7in g\u00fc\u00e7l\u00fc bir tekniktir.  PyTorch ile uygulanmas\u0131 nispeten kolayd\u0131r ve \u00f6zellikle s\u0131n\u0131rl\u0131 veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken olduk\u00e7a faydal\u0131d\u0131r.  Bu makalede, ElasticTransform’\u0131n temellerini ve PyTorch uygulamas\u0131n\u0131 anlatt\u0131m. Umar\u0131m bu bilgiler sizin i\u00e7in yararl\u0131 olmu\u015ftur. Daha fazla bilgi ve uygulama \u00f6rne\u011fi i\u00e7in fatihsoysal.com<\/a> adresini ziyaret edebilirsiniz.<\/p>\n
Daha fazla bilgi i\u00e7in \u015fu kaynaklara da bakabilirsiniz:<\/p>\n