Python 在Keras中使用imagedatagenerator添加更多训练数据集

我有汽车图像，我的目标是扩展我的训练数据集，我想结合新生成的图像和原始图像，并基于它们训练一个深度神经网络来执行分类任务

来自此博客帖子：

“Keras ImageDataGenerator类不是一个“加法”操作。它不是获取原始数据，随机转换，然后返回原始数据和转换后的数据。”

---

您建议用什么方法扩展数据集？

尽管KerasImageDataGenerator并不像您所说的那样是一个加法操作，但如果您想在增强图像上训练您的模型，它仍然可以帮助您。以下是ImageDataGenerator的工作原理：您指定图像的目录和增强参数，然后在每次训练时，gererator拍摄图像并进行转换。这意味着，如果你总共有300张图像，使用ImageDataGenerator，你将在每个历元获得300张不同的变换图像

如果这不是你想要的方式，你可以尝试另一种方式。使用OpenCV库读取图像并通过一些转换（如缩放、剪切等）将其副本保存到一个目录中。这样，每个历元可以生成任意多个图像。当你制作它们时，使用不带任何参数的ImageDataGenerator。这里有一个问题——图像总是一样的。在第一种情况下，每个时代的图像都应该不同

要保存新的增强图像，您可以使用：

来自tensorflow.keras.preprocessing.image import ImageDataGenerator的

从PIL导入图像
将numpy作为np导入
image=image.open（'asd.png'）
image=np.数组（image）
图像=np。展开尺寸（图像，0）
数据发生器=图像数据发生器(
旋转范围=30，
)
对于zip中的u，u（data_generator.flow(
形象,，
将_保存到_目录=，
保存前缀=，
保存\u format='png'
)，范围（N））：
通过

---

其中，N是要使用1个基本图像创建的增强图像的数量

您所说的“一个问题-图像总是相同”是什么意思？例如，您希望旋转图像。在第二种情况下，您可以创建其他图像。因此，最终的数据集可以包含图像，以及旋转10度、20度和30度的图像。在这种情况下，您的模型将从旋转4次的图像中学习。在第一种情况下，只需指定

rotation=30

。在这种情况下，

ImageDataGenerator

将创建以0到30度的随机角度旋转的图像。因此，在这种情况下，您的模型将在旋转11度、29度、8.5度等角度的图像上进行训练。每个时代都不同，谢谢你。能否将生成的图像添加到原始图像中并保存在培训目录中？我的一个班级有300张图片，其他班级有4000张图片，我正在努力平衡它们。我们可以使用图像处理技术吗？使用“ImageDataGenerator”的优点是什么？我可以轻松地从目录图像生成新图像，然后将它们保存到同一文件夹中。然后，我可以使用该文件夹来训练我的网络。使用ImageDataGenerator有什么好处？是的，您可以。ImageDataGenerator只是可以让您的工作更轻松的东西。如果您对其他技术感到满意，请继续