【E資格まとめ】データ集合の拡張（Random Flip・Erase・Crop・Contrast・Brightness・Rotate, MixUp）

このシリーズではE資格対策として、シラバスの内容を項目別にまとめています。

E資格まとめ

試験概要ディープラーニングの理論を理解し、適切な手法を選択して実装する能力や知識を有しているかを認定する。１．応用数学（１）確率・統計（２）情報理論２．機…

つくもちブログ　〜Python&AIまとめ〜

1. データオーギュメンテーション
1.1. 概要
1.2. 必要性
1.3. 画像データのオーギュメンテーション
2. 画像データのオーギュメンテーションの実装
2.1. Random Flip
2.2. Random Erase
2.3. Random Crop
2.4. Random Contrast
2.5. Random Brightness
2.6. Random Rotate
2.7. MixUp
3. まとめ

データオーギュメンテーション

概要

データオーギュメンテーションとは、既存のデータを変換・操作し新たなデータを作成するプロセスのことを指します。これは、通常、機械学習モデルの学習データを増やすためや、モデルの汎化能力を向上させるために用いられます。

オーギュメンテーションの手法はデータの種類により異なります。例えば、画像データの場合、以下のような手法があります：

回転: 画像をある角度で回転させます。
フリップ: 画像を水平または垂直に反転させます。
クロップ: 画像の一部を切り取ります。
明度・コントラストの調整: 画像の明度やコントラストを変更します。
ノイズの追加: 画像にノイズを追加します。

テキストデータの場合、以下のような手法があります：

単語の置換: シソーラス（類義語辞典）を使って文中の単語をその類義語で置き換えます。
単語の削除または挿入: ランダムに単語を削除したり、ランダムな位置に単語を挿入したりします。

これらのオーギュメンテーション手法を適用することで、モデルが新しいデータや未見の状況に対してもより良く対応できるようになることを目指します。また、限られたデータセットからさらに多くの学習データを生成することで、モデルの過学習を防ぐ効果も期待できます。

必要性

データオーギュメンテーションは、機械学習、特に深層学習の分野で非常に重要な手法となっています。その主な理由と必要性を以下に説明します。

データ量の増加: 大量のデータが必要な深層学習モデルにとって、データオーギュメンテーションは既存のデータセットを拡張し、事実上、学習データの量を増やす手法となります。これにより、データが限られている状況でも効果的な学習が可能となります。
過学習の回避: モデルが学習データに過度に適応する過学習は、機械学習の典型的な問題です。オーギュメンテーションを使用すると、学習データのバリエーションが増え、モデルがデータの特定の側面に過度に依存することを防ぐのに役立ちます。
モデルの汎化能力の向上: オーギュメンテーションにより、モデルはさまざまな状況や変動（例: 画像の角度、照明、スケールなど）でのパターンを認識することを学習します。その結果、実際の世界のデータに対するモデルの性能が向上する可能性が高まります。
現実世界のデータの変動への対応: 現実のデータは常に変動やノイズが伴います。例えば、画像データには様々な照明条件、カメラの角度やズームなどが影響します。データオーギュメンテーションを使用すると、これらの変動に対してモデルをロバストにすることができます。
ラベル付きデータのコスト削減: ラベル付きデータの取得は、時間とコストがかかる場合が多いです。オーギュメンテーションを使用すると、既存のラベル付きデータから新しい学習データを生成することができるため、新しいデータのラベリングにかかるコストや労力を削減できます。

画像データのオーギュメンテーション

画像データのオーギュメンテーションには以下のようなものがあります。

Random Flip: これは画像をランダムに水平あるいは垂直に反転することで行われます。これにより、モデルは物体が画像内のどの位置にあっても認識できるようになります。
Random Erase: これは画像からランダムな位置のピクセルを削除することです。これにより、部分的に視界が遮られていても物体を認識できるようにモデルを訓練します。
Random Crop: これは画像のランダムな部分を切り取ることです。これにより、画像の一部から全体を推測する能力をモデルに学習させます。
Random Contrast: これは画像のコントラストをランダムに変更することです。この変化により、モデルはさまざまな照明条件下で物体を認識する能力を向上させます。
Random Brightness: これは画像の明るさをランダムに変更することです。これにより、モデルは異なる照明条件下でも物体を認識する能力を向上させます。
Random Rotate: これは画像をランダムな角度で回転させることです。これにより、物体が異なる角度で見える状況でもモデルがそれを認識できるようになります。
MixUp: これは2つの画像とそのラベルをランダムな比率で混合することです。これにより、モデルは複数の物体が同時に存在するシーンを学習できます。

画像データのオーギュメンテーションの実装

Google Colabで画像データのオーギュメンテーションを実装します。

ここではこちらの画像を使用します。

# Google Colabのファイルアップロード機能をインポート
from google.colab import files
# OpenCVライブラリをインポート
import cv2
# 画像処理ライブラリPILをインポート
from PIL import Image
# グラフ描画ライブラリmatplotlibをインポート
import matplotlib.pyplot as plt
# 入出力操作を行うライブラリioをインポート
import io

# ファイルアップロードダイアログを表示し、ユーザーにファイルのアップロードを促す
uploaded = files.upload()
# アップロードされたファイル名を取得
image_name = list(uploaded.keys())[0]
# アップロードされた画像を読み込み
image = Image.open(io.BytesIO(uploaded[image_name]))
# 画像を表示
image.show()

Random Flip

画像処理ライブラリであるtorchvisionを使用して、画像の水平方向の反転を行います。反転後の画像はmatplotlibを使って表示されます。反転の確率pが1に設定されているため、このコードを実行すると画像は必ず水平方向に反転されます。

# torchvisionライブラリのtransformsモジュールをインポート
import torchvision.transforms as transforms

# 水平方向に反転する変換を作成 (p=1 は反転する確率を100%に設定)
transform = transforms.RandomHorizontalFlip(p=1)
# 作成した変換を使用して画像を水平方向に反転
flipped_image = transform(image)
# 反転した画像を表示
plt.imshow(flipped_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

Random Erase

画像処理ライブラリであるtorchvisionを使用して、画像の一部をランダムに消去します。この変換はデータ拡張の一種であり、モデルの訓練時に過学習を防ぐためによく使用されます。消去の確率pが1に設定されているため、このコードを実行すると画像の一部は必ず消去されます。

# torchvision.transformsからToTensorとToPILImageをインポート
from torchvision.transforms import ToTensor, ToPILImage

# 以下の変換を組み合わせた変換を作成
# 1. 画像をPyTorchのテンソルに変換
# 2. ランダムに画像の一部を消去 (p=1は消去する確率100%、scaleは消去する領域のサイズ範囲、ratioは消去する領域の縦横比範囲)
# 3. テンソルをPIL画像に戻す
transform = transforms.Compose([
    ToTensor(),
    transforms.RandomErasing(p=1, scale=(0.02, 0.33), ratio=(0.3, 3.3)),
    ToPILImage()
])

# 作成した変換を使用して画像の一部をランダムに消去
erased_image = transform(image)
# 消去した画像を表示
plt.imshow(erased_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

Random Crop

torchvision.transforms.RandomResizedCropを使用して、画像のランダムな位置とサイズでクロップを行います。この変換はデータ拡張の一種であり、モデルの訓練時に多様性を増やすためによく使用されます。クロップのサイズは300ピクセルで、リサイズの範囲は元の画像の80%から100%です。

# ランダムにリサイズし、300x300のサイズでクロップする変換を作成
# scaleはリサイズするサイズの範囲で、この場合は元の画像の80%から100%の範囲でリサイズ
transform = transforms.RandomResizedCrop(300, scale=(0.8, 1.0))
# 作成した変換を使用して画像をランダムにリサイズし、クロップ
cropped_image = transform(image)
# クロップした画像を表示
plt.imshow(cropped_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

Random Contrast

torchvision.transforms.ColorJitterを使用して、画像のコントラストを変更します。引数contrast=0.9によって、元のコントラストの90%に設定されます。この変換は、画像の視覚的な特徴を強調したり、データ拡張の一環として使用することができます。

# コントラストを0.9倍に変更する変換を作成
transform = transforms.ColorJitter(contrast=0.9)
# 作成した変換を使用して画像のコントラストを変更
contrast_image = transform(image)
# コントラストを変更した画像を表示
plt.imshow(contrast_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

Random Brightness

torchvision.transforms.ColorJitterを使用して、画像の明るさを変更します。引数brightness=0.9によって、元の明るさの90%に設定されます。この変換は、画像の視覚的な特徴を変更したり、データ拡張の一環として使用することができます。

# 明るさを0.9倍に変更する変換を作成
transform = transforms.ColorJitter(brightness=0.9)
# 作成した変換を使用して画像の明るさを変更
brightness_image = transform(image)
# 明るさを変更した画像を表示
plt.imshow(brightness_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

Random Rotate

torchvision.transforms.RandomRotationを使用して、画像をランダムな角度で回転します。引数45によって、回転の角度の範囲が最大45度に設定されます。この変換はデータ拡張の一種であり、モデルの訓練時に多様性を増やすためによく使用されます。

# 最大45度のランダムな角度で画像を回転する変換を作成
transform = transforms.RandomRotation(45)
# 作成した変換を使用して画像をランダムに回転
rotated_image = transform(image)
# 回転した画像を表示
plt.imshow(rotated_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

MixUp

2つの画像を指定された比率で混合し、その結果を表示するものです。具体的には、元の画像とその左右反転画像を混合しています。このコードは、データ拡張の一環として、同一画像の異なる変換を組み合わせるために使用することができます。この場合、元の画像と左右反転画像を同じ割合で混合しています。このような混合は、モデルがロバストになるのに役立つことがあります。

# 2つの画像を混合する関数
def mixup(image1, image2, alpha=0.5):
    # image1とimage2をalphaの比率で混合
    mixed_image = alpha * np.array(image1) + (1 - alpha) * np.array(image2)
    # 混合した画像をPIL形式に変換して返す
    return Image.fromarray(mixed_image.astype('uint8'))

# 左右反転画像を作成 (Image.FLIP_LEFT_RIGHTを使用)
flipped_image = image.transpose(Image.FLIP_LEFT_RIGHT)

# 元の画像と左右反転画像を混合 (alpha=0.5 で50%ずつの混合)
mixed_image = mixup(image, flipped_image, alpha=0.5)

# 混合した画像を表示
plt.imshow(mixed_image)
# 軸の表示をオフにする
plt.axis('off')
# グラフを表示
plt.show()

まとめ

最後までご覧いただきありがとうございました。

カテゴリー: E資格、資格

タグ: E資格