快速上手-torchvision和opencv的预处理、图像增强方式

最新推荐文章于 2025-04-14 22:10:43 发布

活塞君

最新推荐文章于 2025-04-14 22:10:43 发布

阅读量3.2k

点赞数 3

分类专栏： pytorch 深度学习 python 文章标签： pytorch 深度学习 python opencv

本文链接：https://blog.youkuaiyun.com/weixin_48174100/article/details/120828045

版权

本文介绍了图像增强在深度学习中的作用，详细讲解了torchvision库中的多种图像处理方法，如裁剪、旋转、颜色处理等，并对比了opencv的实现方式。通过这些方法，可以有效地扩充数据集，提升模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像增强在深度学习的作用

目的就是扩充数据集，opencv和torchvision中的transform只是提供一种手段，防止重复造轮子
知道内核后，再去理解图像增强，才能具体情况具体对应

torchvision.transform

对于简单的图像旋转、拼接等处理可以直接用torchvision.transform
下面介绍的标题上的torchvision功能都是在torchvision.transforms以及torchvision.transforms.functional.下，opencv实现方式会在标题后面
部分opencv的方式需要获取转移矩阵，再通过cv2.warpXXXX等方式转换，下面不再叙述
torchvision

import cv2
import numpy as np
import matplotlib.pyplot as plt
from torchvision import transforms
import torch
#这里特意说一下 PIL读入 和CV 读入不一样
img = cv2.imread('data\monet_800600.jpg')
# cv2载入的是BGR模式 如果plt显示图像要用下面代码转成RGB
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.imshow(img)

原图像
在这里插入图片描述
再具体介绍各种操作前，先掌握一下compose标准写法：

#Compose处理 可以把多个transform合并顺序处理
trans = transforms.Compose(
	#如果opencv载入图片的话，先要转成tensor
    [transforms.ToTensor(),
    #中间省略 会按照顺序进行transform处理
    transforms.CenterCrop(500),
    ]
)

如果你想随机选取的话可以用下面这个RandomApply

# 用torch.nn.ModuleList套上你想要的处理，用P指定概率
transforms = transforms.RandomApply(torch.nn.ModuleList([
	transforms.某个处理(

最低0.47元/天解锁文章