Machine learning 改变训练图像训练神经网络

我目前正试图制作一个程序，仅仅根据腐烂的橙子和可食用的橙子的外观来区分它们。为此，我计划使用卷积神经网络对腐烂的橙子和正常的橙子进行训练。经过一些搜索，我只能在一个数据库中找到大约150个腐烂的橙子和150个黑色背景的正常橙子（）。显然，机器学习模型至少需要几千个橙子才能达到90%以上的准确率。然而，我能以某种方式改变这150个橙子来制作更多的橙子照片吗？我所说的alter，是指在柑橘类水果上添加不同色调的橙色，制成“不同的橙色”。这是训练神经网络的有效方法吗

这确实是增加数据集的好方法。例如，可以对图像应用高斯模糊。它们将变得模糊，但与原始图像不同。你也可以反转图像。或者，在最后一种情况下，寻找新的图像并应用引用的技术。

数据增强是您所寻找的。在您的情况下，您可以做不同的事情：

应用过滤器来获得稍有不同的图像，正如已经说过的，你可以使用高斯模糊

把橘子切成不同的背景

用不同的比例因子缩放橙子

旋转图像

制作合成腐烂的橙子

混合前面提到的所有不同组合。有了这种增强，你可以很容易地创造出数千种不同的橙子

---

我用12000张图像的数据集做了类似的事情，我可以创建630000个样本

这是一个非常好的方法来增加你的日期。你将做什么取决于你的数据。例如，如果您正在对从传感器获得的数据进行训练，则可能需要向训练数据添加一些噪波，以便增加数据集。毕竟，你可以期待一些噪音来自传感器以后

假设您将在图像上对其进行培训，下面是一个非常好的github存储库，它提供了使用这些技术的方法。这个python库帮助您为机器学习项目扩充图像。它将一组输入图像转换为一组新的、大得多的稍加修改的图像。 链接：

特点：

• 大多数标准的增强技术可用

• 这些技术可以应用于计算机上的图像和关键点/地标 图像。在测试开始时定义一次增强序列 实验，然后多次应用

• 为每个增强定义灵活的随机范围，例如“旋转” 每个图像按-45到45度之间的值“旋转”或“旋转” 从正态分布N（0，5.0）”中采样的值

• 轻松地将所有随机范围转换为确定性值 以完全相同的方式增强不同批次的图像 （例如图像及其热图）

---

数据增强确实是增强训练集的好方法，但考虑到可能会过度匹配，仍然不足以单独训练一个端到端的深度网络。您应该考虑域适配，在域适配中，您采用了一个预训练的模型，比如在imagenet数据集上训练的inception，并针对您的问题对其进行微调。因为您只需要学习分类用例所需的参数，所以可以使用相对较少的可用培训数据来实现良好的准确性。我主持了一个使用这种技术的分类演示。用你的数据集试试看是否有用。该演示将处理预训练模型以及您将上载的数据集的数据扩充