Hur använder man Pillow för att utföra dataökning på en bild?

Hej där! Jag är en leverantör av Pillow, och idag ska jag dela med mig av hur du använder Pillow, Python Imaging Library, för att utföra dataökning på en bild. Dataökning är superviktigt inom området maskininlärning och datorseende, speciellt när du har att göra med begränsad träningsdata. Det hjälper dig att skapa mer varierande träningsprover, vilket kan förbättra dina modellers prestanda och generaliseringsförmåga.

Vad är kudde?

Först och främst, låt oss prata lite om Pillow. Pillow är ett kraftfullt och lättanvänt bibliotek för att öppna, manipulera och spara olika bildfilformat i Python. Det är ett bibliotek med öppen källkod som ger ett brett utbud av bildbehandlingsmöjligheter, som storleksändring, beskärning, rotering och färgmanipulation. Om du gillar bildbehandling i Python är Pillow definitivt ett besök på biblioteket.

Installation

Innan vi börjar behöver du ha Pillow installerad. Du kan enkelt installera den med hjälp avpip. Öppna bara din terminal och kör följande kommando:

pip installera kudde

När den är installerad är du redo att gå!

Grundläggande bildladdning

Låt oss börja med grunderna. För att använda Pillow för dataökning måste du först ladda en bild. Här är ett enkelt exempel:

från PIL importera bild # Öppna en bildfil image = Image.open('your_image.jpg')

I den här koden importerar viBildmodul frånPIL(kudde) biblioteket och använd sedanöppnametod för att ladda en bildfil. Se till att byta ut'din_bild.jpg'med den faktiska vägen till din bild.

Ändra storlek på bilden

En av de enklaste formerna av dataökning är att ändra storlek på bilden. Du kanske vill ändra storlek på en bild till en specifik storlek för din modell. Så här kan du göra det:

# Ändra storlek på bilden resized_image = image.resize((224, 224))

I den här koden använder viändra storlekmetod förBildobjekt. Deändra storlekmetoden tar en tupel som ett argument, som representerar bildens nya bredd och höjd. I det här fallet ändrar vi storleken på bilden till 224x224 pixlar, vilket är en vanlig storlek för många modeller för djupinlärning.

Rotera bilden

Att rotera en bild kan också lägga till mångfald till dina träningsdata. Du kan rotera en bild med en viss vinkel med hjälp avroterametod:

# Rotera bilden 90 grader rotated_image = image.rotate(90)

Här roterar vi bilden 90 grader. Du kan ändra vinkeln till vilket värde du vill.

Vänd på bilden

Att vända en bild horisontellt eller vertikalt är ett annat enkelt men effektivt sätt att utöka data. Så här kan du vända en bild:

# Vänd bilden horisontellt flipped_horizontal = image.transpose(Image.FLIP_LEFT_RIGHT) # Vänd bilden vertikalt flipped_vertical = image.transpose(Image.FLIP_TOP_BOTTOM)

I den första raden använder viinförlivametod medBild.FLIP_LEFT_RIGHTkonstant för att vända bilden horisontellt. I den andra raden använder viBild.FLIP_TOP_BOTTOMför att vända bilden vertikalt.

Ändra färgen på bilden

Du kan också ändra färgen på en bild för att skapa fler olika prover. Du kan till exempel konvertera en bild till gråskala:

# Konvertera bilden till gråskala grayscale_image = image.convert('L')

Dekonverterametod används här för att konvertera bilden till ett annat läge. De'L'mode står för gråskala.

Beskär bilden

Att beskära en bild kan fokusera på en specifik del av bilden. Så här kan du beskära en bild:

# Definiera beskärningsrutan (vänster, övre, höger, nedre) crop_box = (100, 100, 300, 300) cropped_image = image.crop(crop_box)

I den här koden definierar vi en beskärningsruta med en tupel av fyra värden som representerar de vänstra, övre, högra och nedre koordinaterna för rektangeln vi vill beskära. Då använder vibeskärametod för att beskära bilden enligt den definierade rutan.

Kombinera flera förstärkningar

Du kan också kombinera flera förstärkningar för att skapa ännu fler olika prover. Här är ett exempel:

# Kombinera flera förstoringar resized = image.resize((224, 224)) rotated = resized.rotate(45) flipped = rotated.transpose(Image.FLIP_LEFT_RIGHT)

I den här koden ändrar vi först bildens storlek, roterar sedan den ändrade storleken på bilden och vänder slutligen den roterade bilden horisontellt.

Spara de utökade bilderna

Efter att ha utfört dataökning kanske du vill spara de utökade bilderna. Så här kan du göra det:

# Spara den utökade bilden flipped.save('flipped_image.jpg')

Desparametod förBildobjekt används för att spara bilden till en fil. Se till att ange ett giltigt filnamn och filtillägg.

Varför välja våra kuddar?

Nu, som leverantör av kuddar, skulle jag vilja ta en stund och prata om våra produkter. Vi erbjuder ett brett utbud av högkvalitativa kuddar, inklusiveMemory Foam KuddeochHushållskudde. Våra kuddar av memory foam är designade för att ge utmärkt stöd för din nacke och huvud, minska risken för nacksmärta och förbättra din sömnkvalitet. Våra hushållskuddar är gjorda av mjuka material som andas, vilket säkerställer en bekväm sovupplevelse.

Slutsats

Sammanfattningsvis, att använda Pillow för dataökning är ett utmärkt sätt att skapa mer varierande träningsdata för dina maskininlärnings- och datorseendemodeller. Med dess enkla och intuitiva API kan du enkelt utföra olika bildbehandlingsoperationer som att ändra storlek, rotera, vända och mer. Och om du är ute efter en bra kudde, oavsett om det är en kudde med memory foam för bättre stöd eller en hushållskudde för dagligt bruk, så har vi dig täckt.

Om du är intresserad av våra kuddprodukter eller har några frågor om dataökning med Pillow, hör gärna av dig för en upphandlingsdiskussion. Vi ser fram emot att höra från dig!

Referenser

• Kudde officiell dokumentation
• Olika onlinehandledningar om dataökning i Python